論文の概要: Determination of the critical points for systems of directed percolation
class using machine learning
- arxiv url: http://arxiv.org/abs/2307.10456v1
- Date: Wed, 19 Jul 2023 20:58:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-21 15:41:06.202884
- Title: Determination of the critical points for systems of directed percolation
class using machine learning
- Title（参考訳）: 機械学習を用いた指向型パーコレーション授業システムにおける臨界点の決定
- Authors: M. Ali Saif and Bassam M. Mughalles
- Abstract要約: 我々はCNNとDBSCANを用いて、有向結合パーコレーション(ボンドDP)モデルとドマニ・キンゼル細胞普遍性(DK)モデルの臨界点を決定する。
両アルゴリズムの結果から,格子サイズの非常に小さな値であっても,マシンは両モデルの臨界点を正確に予測できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recently, machine learning algorithms have been used remarkably to study the
equilibrium phase transitions, however there are only a few works have been
done using this technique in the nonequilibrium phase transitions. In this
work, we use the supervised learning with the convolutional neural network
(CNN) algorithm and unsupervised learning with the density-based spatial
clustering of applications with noise (DBSCAN) algorithm to study the
nonequilibrium phase transition in two models. We use CNN and DBSCAN in order
to determine the critical points for directed bond percolation (bond DP) model
and Domany-Kinzel cellular automaton (DK) model. Both models have been proven
to have a nonequilibrium phase transition belongs to the directed percolation
(DP) universality class. In the case of supervised learning we train CNN using
the images which are generated from Monte Carlo simulations of directed bond
percolation. We use that trained CNN in studding the phase transition for the
two models. In the case of unsupervised learning, we train DBSCAN using the raw
data of Monte Carlo simulations. In this case, we retrain DBSCAN at each time
we change the model or lattice size. Our results from both algorithms show
that, even for a very small values of lattice size, machine can predict the
critical points accurately for both models. Finally, we mention to that, the
value of the critical point we find here for bond DP model using CNN or DBSCAN
is exactly the same value that has been found using transfer learning with a
domain adversarial neural network (DANN) algorithm.
- Abstract（参考訳）: 近年、機械学習アルゴリズムは平衡相転移の研究に顕著に用いられているが、非平衡相転移においてこの手法を用いた研究はほとんど行われていない。
本研究では,畳み込みニューラルネットワーク(CNN)アルゴリズムを用いた教師付き学習と,ノイズを伴うアプリケーションの密度に基づく空間クラスタリングによる教師なし学習を用いて,2つのモデルにおける非平衡相転移を研究する。
我々はCNNとDBSCANを用いて、有向結合パーコレーション(ボンドDP)モデルとドマニ・キンゼルセルオートマトン(DK)モデルに対する臨界点を決定する。
どちらのモデルも非平衡相転移が有向パーコレーション(DP)普遍性クラスに属することが証明されている。
教師あり学習の場合,モンテカルロシミュレーションから生成した有向結合パーコレーションの画像を用いてCNNを訓練する。
トレーニングされたCNNを使って、2つのモデルのフェーズ移行をスタブ化しています。
教師なし学習の場合、モンテカルロシミュレーションの生データを用いてDBSCANを訓練する。
この場合、モデルまたは格子サイズを変更するたびにdbscanを再トレーニングします。
両アルゴリズムの結果から,格子サイズの非常に小さな値であっても,マシンは両モデルの臨界点を正確に予測できることがわかった。
最後に、CNNやDBSCANを用いた結合DPモデルにおける臨界点の値は、ドメイン逆ニューラルネットワーク(DANN)アルゴリズムを用いた転送学習で得られたものと全く同じ値である。
関連論文リスト
- SIGMA:Sinkhorn-Guided Masked Video Modeling [69.31715194419091]
SIGMA (Sinkhorn-guided Masked Video Modelling) は、新しいビデオ事前学習法である。
時空管の特徴を,限られた数の学習可能なクラスタに均等に分散する。
10個のデータセットによる実験結果から,より高性能で時間的,堅牢な映像表現を学習する上で,SIGMAの有効性が検証された。
論文 参考訳（メタデータ） (2024-07-22T08:04:09Z) - Few-shot Learning using Data Augmentation and Time-Frequency
Transformation for Time Series Classification [6.830148185797109]
データ拡張による新しい数ショット学習フレームワークを提案する。
シークエンス・スペクトログラム・ニューラルネット(SSNN)も開発している。
本手法は,時系列分類における数ショット問題への対処法の適用性を実証する。
論文 参考訳（メタデータ） (2023-11-06T15:32:50Z) - Diffusion-Model-Assisted Supervised Learning of Generative Models for
Density Estimation [10.793646707711442]
本稿では,密度推定のための生成モデルを訓練するためのフレームワークを提案する。
スコアベース拡散モデルを用いてラベル付きデータを生成する。
ラベル付きデータが生成されると、シンプルな完全に接続されたニューラルネットワークをトレーニングして、教師付き方法で生成モデルを学ぶことができます。
論文 参考訳（メタデータ） (2023-10-22T23:56:19Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - STMT: A Spatial-Temporal Mesh Transformer for MoCap-Based Action Recognition [50.064502884594376]
本研究では、モーションキャプチャー(MoCap)シーケンスを用いた人間の行動認識の問題点について検討する。
メッシュシーケンスを直接モデル化する新しい時空間メッシュ変換器(STMT)を提案する。
提案手法は,スケルトンベースモデルやポイントクラウドベースモデルと比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-03-31T16:19:27Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳（メタデータ） (2022-07-01T12:16:42Z) - Do We Really Need a Learnable Classifier at the End of Deep Neural
Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。
実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文 参考訳（メタデータ） (2022-03-17T04:34:28Z) - Transfer learning of phase transitions in percolation and directed
percolation [2.0342076109301583]
本研究では,非平衡・平衡相転移モデルの研究のために,転送学習に基づくドメイン対向ニューラルネットワーク(DANN)を適用した。
両モデルのDANN学習はモンテカルロシミュレーションに匹敵する信頼性の高い結果をもたらす。
論文 参考訳（メタデータ） (2021-12-31T15:24:09Z) - Semi-supervised Impedance Inversion by Bayesian Neural Network Based on
2-d CNN Pre-training [0.966840768820136]
我々は2つの側面から半教師付き学習を改善する。
まず、ディープラーニング構造における1次元畳み込みニューラルネットワーク層を2次元CNN層と2次元マックスプール層に置き換えることで、予測精度を向上させる。
第二に、ベイズ推論フレームワークにネットワークを埋め込むことで予測の不確実性を推定することもできる。
論文 参考訳（メタデータ） (2021-11-20T14:12:05Z) - 1D CNN Based Network Intrusion Detection with Normalization on
Imbalanced Data [0.19336815376402716]
侵入検知システム(IDS)は、コンピュータネットワークにおいて、コンピュータ資源とデータを外部攻撃から保護する重要な役割を担っている。
最近のIDSは、予期せぬ、予測不能な攻撃に対するIDSの柔軟性と効率性を向上する課題に直面している。
1次元畳み込みニューラルネットワーク(1D-CNN)を用いた効率的かつ柔軟なIDS構築のための深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-03-01T12:23:46Z)
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。