論文の概要: Learnable wavelet neural networks for cosmological inference

• arxiv url: http://arxiv.org/abs/2307.14362v1
• Date: Mon, 24 Jul 2023 22:12:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-28 19:12:15.879349
• Title: Learnable wavelet neural networks for cosmological inference
• Title（参考訳）: 宇宙推論のための学習可能なウェーブレットニューラルネットワーク
• Authors: Christian Pedersen, Michael Eickenberg, Shirley Ho
• Abstract要約: 学習可能な散乱変換は、トレーニング可能なウェーブレットをフィルタとして使用する畳み込みニューラルネットワークの一種である。 本稿では,散乱変換に基づく2つのモデルについて述べる。 散乱アーキテクチャは、小さなトレーニングデータサンプルの場合において、CNNよりもはるかに優れていることが判明した。
• 参考スコア（独自算出の注目度）: 5.1268138545584145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks (CNNs) have been shown to both extract more information than the traditional two-point statistics from cosmological fields, and marginalise over astrophysical effects extremely well. However, CNNs require large amounts of training data, which is potentially problematic in the domain of expensive cosmological simulations, and it is difficult to interpret the network. In this work we apply the learnable scattering transform, a kind of convolutional neural network that uses trainable wavelets as filters, to the problem of cosmological inference and marginalisation over astrophysical effects. We present two models based on the scattering transform, one constructed for performance, and one constructed for interpretability, and perform a comparison with a CNN. We find that scattering architectures are able to outperform a CNN, significantly in the case of small training data samples. Additionally we present a lightweight scattering network that is highly interpretable.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(cnns)は、宇宙学の分野から従来の2点統計よりも多くの情報を抽出し、天体物理学的効果に対する限界を極めてよく示している。 しかし、CNNには大量のトレーニングデータが必要であるため、高価な宇宙シミュレーションの領域では問題があり、ネットワークを解釈することは困難である。 本研究では、宇宙論的推論と天体物理学的効果の限界化の問題に、訓練可能なウェーブレットをフィルタとして用いる畳み込みニューラルネットワークの一種である学習可能な散乱変換を適用する。 本稿では,散乱変換に基づく2つのモデルについて述べる。1つは性能のために構築され,もう1つは解釈可能性のために構築され,CNNとの比較を行う。 散乱アーキテクチャは、小さなトレーニングデータサンプルの場合において、CNNよりもはるかに優れていることが判明した。 さらに,高度に解釈可能な軽量散乱ネットワークを提案する。

関連論文リスト

• CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
  蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
  論文  参考訳（メタデータ） (2024-04-23T08:19:08Z)
• Transferability of Convolutional Neural Networks in Stationary Learning Tasks [96.00428692404354]
  本稿では,大規模な空間問題に対する畳み込みニューラルネットワーク(CNN)の効率的なトレーニングのための新しいフレームワークを提案する。 このような信号の小さなウィンドウで訓練されたCNNは、再学習することなく、はるかに大きなウィンドウでほぼ性能を発揮することを示す。 以上の結果から,CNNは10人未満の訓練を受けた後,数百人のエージェントによる問題に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-21T13:51:45Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• Using explainability to design physics-aware CNNs for solving subsurface inverse problems [0.0]
  本稿では,物理を意識したニューラルネットワークの設計に説明可能性を用いた新しい手法を提案する。 我々は,浅層画像の逆問題を解決するために,畳み込みニューラルネットワーク(CNN)を開発することで,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2022-11-16T03:59:29Z)
• Interpreting convolutional neural networks' low dimensional approximation to quantum spin systems [1.631115063641726]
  畳み込みニューラルネットワーク(CNN)は、量子多体スピンシステムの基底状態を見つけるための変分モンテカルロ法と共に用いられている。 我々は,CNNがスピン系の学習をどのように最適化するかを理論的,実験的に分析し,CNNの低次元近似について検討する。 この結果から、CNNが量子スピンハミルトニアンをどのように近似するかの総合的で改善された理解を得ることができた。
  論文  参考訳（メタデータ） (2022-10-03T02:49:16Z)
• Physics-informed neural networks for diffraction tomography [0.1199955563466263]
  生体試料のトモグラフィー再構成のためのフォワードモデルとして物理インフォームドニューラルネットワークを提案する。 このネットワークをヘルムホルツ方程式で物理的損失として訓練することにより、散乱場を正確に予測することができる。
  論文  参考訳（メタデータ） (2022-07-28T16:56:50Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• How to quantify fields or textures? A guide to the scattering transform [0.0]
  散乱変換(Mallat 2012)は、CNNから数学的アイデアを借用する強力な統計学であり、いかなる訓練も必要とせず、解釈可能である。 視覚的解釈を伴う比較的コンパクトな要約統計情報を提供し、関連する情報の大半を幅広い科学的応用で伝達することを示す。
  論文  参考訳（メタデータ） (2021-11-30T22:11:54Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。