論文の概要: Investigation of the Robustness of Neural Density Fields

• arxiv url: http://arxiv.org/abs/2305.19698v1
• Date: Wed, 31 May 2023 09:43:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 17:30:17.706775
• Title: Investigation of the Robustness of Neural Density Fields
• Title（参考訳）: 神経密度場のロバスト性の検討
• Authors: Jonas Schuhmacher and Fabio Gratl and Dario Izzo and Pablo G\'omez
• Abstract要約: 本研究は、トレーニング中のノイズや制約などの外部要因に対する堅牢性の文脈における神経密度場とその相対誤差について検討する。 両モデルが多面体およびマスコングラウンドの真理で訓練された場合も同様に機能し、基底の真理が精度のボトルネックではないことを示す。
• 参考スコア（独自算出の注目度）: 7.67602635520562
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent advances in modeling density distributions, so-called neural density fields, can accurately describe the density distribution of celestial bodies without, e.g., requiring a shape model - properties of great advantage when designing trajectories close to these bodies. Previous work introduced this approach, but several open questions remained. This work investigates neural density fields and their relative errors in the context of robustness to external factors like noise or constraints during training, like the maximal available gravity signal strength due to a certain distance exemplified for 433 Eros and 67P/Churyumov-Gerasimenko. It is found that both models trained on a polyhedral and mascon ground truth perform similarly, indicating that the ground truth is not the accuracy bottleneck. The impact of solar radiation pressure on a typical probe affects training neglectable, with the relative error being of the same magnitude as without noise. However, limiting the precision of measurement data by applying Gaussian noise hurts the obtainable precision. Further, pretraining is shown as practical in order to speed up network training. Hence, this work demonstrates that training neural networks for the gravity inversion problem is appropriate as long as the gravity signal is distinguishable from noise. Code and results are available at https://github.com/gomezzz/geodesyNets
• Abstract（参考訳）: 神経密度場と呼ばれる密度分布のモデル化における最近の進歩は、天体に近い軌道を設計する際に、形状モデルを必要とすることなく、天体の密度分布を正確に記述することができる。 以前の研究はこのアプローチを導入したが、いくつかの疑問は残る。 本研究では,433 Eros と67P/Churyumov-Gerasimenko で実証された一定の距離による最大重力信号強度などの,トレーニング中のノイズや制約などの外部要因に対する堅牢性の文脈における神経密度場とその相対誤差について検討する。 両モデルが多面体およびマスコングラウンドの真理で訓練された場合も同様に機能し、基底の真理が精度のボトルネックではないことを示す。 太陽放射圧が典型的なプローブに与える影響は、ノイズなしでの相対誤差が等しく、無視可能な訓練に影響を与える。 しかし、ガウス雑音を適用して測定データの精度を制限することは、得られる精度を損なう。 さらに,ネットワークトレーニングを高速化するためにプレトレーニングを実践的に行う。 したがって、重力反転問題に対するニューラルネットワークのトレーニングは、重力信号が雑音と区別できる限り適切であることを示す。 コードと結果はhttps://github.com/gomezzz/geodesynetsで入手できる。

関連論文リスト

• Solving deep-learning density functional theory via variational autoencoders [0.0]
  近年、機械学習モデルはデータから正確なエネルギー密度関数を学習するのに適していることが明らかになっている。 本稿では,様々な量子モデルの基底状態密度プロファイルの圧縮,フレキシブル,正規表現を構築するために,変分オートエンコーダを用いる。
  論文  参考訳（メタデータ） (2024-03-14T18:11:50Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks [91.15120211190519]
  本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。 雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T06:18:15Z)
• Surrogate-data-enriched Physics-Aware Neural Networks [0.0]
  そこで我々は,低次モデル (ROM) のような他の代用モデルから得られる,安価だが不正確なデータを用いて,物理認識モデルをどのように豊かにすることができるかを検討する。 概念実証として, 1次元波動方程式を考察し, ROMからの不正確なデータが組み込まれた場合, トレーニング精度が2桁に向上することを示す。
  論文  参考訳（メタデータ） (2021-12-10T12:39:07Z)
• Physics-Driven Learning of Wasserstein GAN for Density Reconstruction in Dynamic Tomography [4.970364068620608]
  本研究では, ノイズ密度再構成において, 深層ニューラルネットワークが人工物除去を行う能力を示す。 We use a Wasserstein generative adversarial network (WGAN) ここでは、ジェネレータが従来の再構成アルゴリズムから得られた密度のアーチファクトを除去するデノイザとして機能する。 予備的な数値計算により,我々のフレームワークで訓練したモデルでは,密度時系列データにおいて未知のノイズのかなりの部分を取り除くことができることがわかった。
  論文  参考訳（メタデータ） (2021-10-28T20:23:06Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Real-Time Well Log Prediction From Drilling Data Using Deep Learning [2.064612766965483]
  距離に基づくグローバル感性分析を用いたデータ拡張と特徴工学のためのワークフローを提案する。 Inception-based Convolutional Neural Network with a Temporal Convolutional Network as the Deep Learning model。 北海のVolveフィールドのEquinorデータセットから12の井戸が学習に使用されている。
  論文  参考訳（メタデータ） (2020-01-28T03:57:31Z)

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。