論文の概要: Conditional variational autoencoder with Gaussian process regression
recognition for parametric models
- arxiv url: http://arxiv.org/abs/2305.09625v1
- Date: Tue, 16 May 2023 17:24:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 13:52:57.277273
- Title: Conditional variational autoencoder with Gaussian process regression
recognition for parametric models
- Title（参考訳）: パラメトリックモデルに対するガウス過程回帰認識を伴う条件変動オートエンコーダ
- Authors: Xuehan Zhang, Lijian Jiang
- Abstract要約: 本稿では,ガウス過程回帰認識(CVAE-GPRR)を用いたCVAEの枠組みを提案する。
CVAE-GPRRはCVAEと同様の精度を達成できるが、パラメータは少ない。
CVAE-GPRRはCVAEの過適合問題を緩和する可能性が示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this article, we present a data-driven method for parametric models with
noisy observation data. Gaussian process regression based reduced order
modeling (GPR-based ROM) can realize fast online predictions without using
equations in the offline stage. However, GPR-based ROM does not perform well
for complex systems since POD projection are naturally linear. Conditional
variational autoencoder (CVAE) can address this issue via nonlinear neural
networks but it has more model complexity, which poses challenges for training
and tuning hyperparameters. To this end, we propose a framework of CVAE with
Gaussian process regression recognition (CVAE-GPRR). The proposed method
consists of a recognition model and a likelihood model. In the recognition
model, we first extract low-dimensional features from data by POD to filter the
redundant information with high frequency. And then a non-parametric model GPR
is used to learn the map from parameters to POD latent variables, which can
also alleviate the impact of noise. CVAE-GPRR can achieve the similar accuracy
to CVAE but with fewer parameters. In the likelihood model, neural networks are
used to reconstruct data. Besides the samples of POD latent variables and input
parameters, physical variables are also added as the inputs to make predictions
in the whole physical space. This can not be achieved by either GPR-based ROM
or CVAE. Moreover, the numerical results show that CVAE-GPRR may alleviate the
overfitting issue in CVAE.
- Abstract（参考訳）: 本稿では,騒音観測データを用いたパラメトリックモデルのためのデータ駆動手法を提案する。
ガウス過程回帰に基づく還元順序モデリング(GPRベースのROM)は、オフライン段階で方程式を用いることなく、高速なオンライン予測を実現することができる。
しかし、PODプロジェクションは自然な線形であるため、GPRベースのROMは複雑なシステムではうまく機能しない。
条件付き変分オートエンコーダ(CVAE)は非線形ニューラルネットワークを介してこの問題に対処できるが、モデルの複雑さが増し、ハイパーパラメータのトレーニングとチューニングが困難になる。
そこで本研究では,ガウス過程回帰認識(CVAE-GPRR)を用いたCVAEの枠組みを提案する。
提案手法は,認識モデルと確率モデルから構成される。
認識モデルでは,まずpodによるデータから低次元特徴を抽出し,冗長な情報を高頻度でフィルタする。
そして、パラメータからPOD潜在変数への写像を学習するために非パラメトリックモデルGPRが使用され、ノイズの影響を軽減することもできる。
CVAE-GPRRはCVAEと同様の精度を達成できるが、パラメータは少ない。
確率モデルでは、ニューラルネットワークはデータの再構成に使用される。
POD潜在変数と入力パラメータのサンプルに加えて、物理空間全体の予測を行う入力として物理変数が追加される。
これはGPRベースのROMやCVAEでは達成できない。
さらに,CVAE-GPRRはCVAEの過適合問題を緩和する可能性が示唆された。
関連論文リスト
- Conditionally-Conjugate Gaussian Process Factor Analysis for Spike Count Data via Data Augmentation [8.114880112033644]
近年、GPFAはスパイクカウントデータをモデル化するために拡張されている。
本稿では,解析的および計算的抽出可能な推論が可能な条件共役型ガウス過程因子解析(ccGPFA)を提案する。
論文 参考訳（メタデータ） (2024-05-19T21:53:36Z) - Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting [4.675221539472143]
大規模なデータセットに正規ノイズが汚染されたスパースガウス過程回帰モデルを適用するためのスケーラブルな推論アルゴリズムを提案する。
提案手法は, 人工ニューラルネットワークベースラインと比較して, 類似のカバレッジと精度の予測間隔が短いことを示す。
論文 参考訳（メタデータ） (2024-02-27T15:08:57Z) - DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud
Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。
本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。
実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文 参考訳（メタデータ） (2023-12-05T18:59:41Z) - Parallel and Limited Data Voice Conversion Using Stochastic Variational
Deep Kernel Learning [2.5782420501870296]
本稿では,限られたデータを扱う音声変換手法を提案する。
変分深層学習(SVDKL)に基づく。
非滑らかでより複雑な関数を推定することができる。
論文 参考訳（メタデータ） (2023-09-08T16:32:47Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - A hybrid data driven-physics constrained Gaussian process regression
framework with deep kernel for uncertainty quantification [21.972192114861873]
本稿では,データ駆動物理制約付きガウスプロセス回帰フレームワークを提案する。
物理知識をボルツマン・ギブス分布でエンコードし、最大可能性(ML)アプローチでモデルを導出する。
提案モデルでは,高次元問題において良好な結果が得られ,その不確かさを正確に伝播し,ラベル付きデータを極めて限定的に提供した。
論文 参考訳（メタデータ） (2022-05-13T07:53:49Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳（メタデータ） (2021-12-07T11:26:41Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Deep Gaussian Processes for Biogeophysical Parameter Retrieval and Model
Inversion [14.097477944789484]
本稿では,生物地球物理モデルインバージョンにおける深部ガウス過程 (DGP) の利用について紹介する。
浅いGPモデルとは異なり、DGPは複雑な(モジュラーで階層的な)プロセスを説明し、大きなデータセットによくスケールする効率的なソリューションを提供する。
論文 参考訳（メタデータ） (2021-04-16T10:42:01Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳（メタデータ） (2020-09-07T13:01:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。