論文の概要: Hamiltonian GAN
- arxiv url: http://arxiv.org/abs/2308.11216v1
- Date: Tue, 22 Aug 2023 06:03:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 13:45:52.708926
- Title: Hamiltonian GAN
- Title(参考訳): ハミルトンガン
- Authors: Christine Allen-Blanchette
- Abstract要約: 学習した構成空間マップとハミルトニアン・ニューラル・ネットワーク・モーション・モデルを備えたGANベースのビデオ生成パイプラインを提案する。
我々は、物理に着想を得た循環型損失関数でモデルを訓練し、構成空間の最小表現を奨励し、解釈可能性を向上させる。
- 参考スコア(独自算出の注目度): 1.6589012298747952
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A growing body of work leverages the Hamiltonian formalism as an inductive
bias for physically plausible neural network based video generation. The
structure of the Hamiltonian ensures conservation of a learned quantity (e.g.,
energy) and imposes a phase-space interpretation on the low-dimensional
manifold underlying the input video. While this interpretation has the
potential to facilitate the integration of learned representations in
downstream tasks, existing methods are limited in their applicability as they
require a structural prior for the configuration space at design time. In this
work, we present a GAN-based video generation pipeline with a learned
configuration space map and Hamiltonian neural network motion model, to learn a
representation of the configuration space from data. We train our model with a
physics-inspired cyclic-coordinate loss function which encourages a minimal
representation of the configuration space and improves interpretability. We
demonstrate the efficacy and advantages of our approach on the Hamiltonian
Dynamics Suite Toy Physics dataset.
- Abstract(参考訳): 成長する仕事の体は、物理的に可視なニューラルネットワークベースのビデオ生成の誘導バイアスとしてハミルトン形式を利用する。
ハミルトニアンの構造は、学習した量(例えばエネルギー)の保存を保証し、入力ビデオの下の低次元多様体に位相空間解釈を課す。
この解釈は、下流タスクにおける学習された表現の統合を促進する可能性があるが、既存のメソッドは、設計時に構成空間に構造的事前を必要とするため、適用性に制限がある。
本研究では,データから構成空間の表現を学習するために,学習した構成空間マップとハミルトニアンニューラルネットワーク動作モデルを備えたGANベースのビデオ生成パイプラインを提案する。
我々は, 構成空間の最小表現を奨励し, 解釈性を向上させる物理にインスパイアされた循環冷却損失関数を用いて, モデルを訓練する。
ハミルトン・ダイナミクス・スイート・トイ物理データセットに対するアプローチの有効性と利点を実証する。
関連論文リスト
- Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation [55.227976642410766]
グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。
そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。
我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
論文 参考訳(メタデータ) (2024-05-27T13:36:50Z) - Applications of Machine Learning to Modelling and Analysing Dynamical
Systems [0.0]
本稿では,既存のハミルトンニューラルネットワーク構造を適応型シンプレクティックリカレントニューラルネットワークに組み合わせたアーキテクチャを提案する。
このアーキテクチャは、ハミルトニアン力学を予測する際に、これまで提案されていたニューラルネットワークよりも大幅に優れていた。
本手法は, 単一パラメータポテンシャルに対して有効であり, 長期間にわたって正確な予測を行うことができることを示す。
論文 参考訳(メタデータ) (2023-07-22T19:04:17Z) - Lagrangian Density Space-Time Deep Neural Network Topology [0.0]
我々は,LDDNN(Lagrangian Density Space-Time Deep Neural Networks)トポロジを提案する。
基礎となる物理科学が支配する現象の力学を予測するために、教師なしの訓練と学習を行う資格がある。
本稿では、ラグランジアン領域とハミルトン領域におけるニューラルネットワークの統計的物理解釈について論じる。
論文 参考訳(メタデータ) (2022-06-30T03:29:35Z) - Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。
提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
論文 参考訳(メタデータ) (2022-04-11T13:25:45Z) - Learning Neural Hamiltonian Dynamics: A Methodological Overview [109.40968389896639]
Hamiltonian dynamicsは、ニューラルネットワークに正確な長期予測、解釈可能性、データ効率の学習を与える。
我々は最近提案したハミルトンニューラルネットワークモデルについて、特に方法論に焦点を当てて体系的に調査した。
論文 参考訳(メタデータ) (2022-02-28T22:54:39Z) - Dissipative Hamiltonian Neural Networks: Learning Dissipative and
Conservative Dynamics Separately [1.52292571922932]
近年の研究では、ハミルトニアンニューラルネットワーク(HNN)を用いて、ニューラルネットワークがデータから直接そのような対称性を学習できることが示されている。
本稿では,保守的・散逸的力学を同時に特定・分解できるかどうかを問う。
本稿では,ハミルトニアンとレイリーの放散関数の両方をパラメータ化する散逸型ハミルトニアンニューラルネットワーク(D-HNN)を提案する。
論文 参考訳(メタデータ) (2022-01-25T04:09:11Z) - Hamiltonian prior to Disentangle Content and Motion in Image Sequences [2.2133187119466116]
本研究では,高次元逐次データに対する潜時変動モデルを提案する。
運動空間を部分空間に分割し、各部分空間に対して一意なハミルトン作用素を導入する。
運動空間の明示的な分割は、ハミルトニアンを対称性群に分解し、長期分離性を与える。
論文 参考訳(メタデータ) (2021-12-02T23:41:12Z) - SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred
from Vision [73.26414295633846]
最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。
既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。
我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
論文 参考訳(メタデータ) (2021-11-10T23:26:58Z) - Machine Learning S-Wave Scattering Phase Shifts Bypassing the Radial
Schr\"odinger Equation [77.34726150561087]
本稿では, 畳み込みニューラルネットワークを用いて, 正確な散乱s波位相シフトを得られる機械学習モデルの実証を行う。
我々は、ハミルトニアンが物理的に動機づけられた記述子の構築において、いかにして指導原理として機能するかについて議論する。
論文 参考訳(メタデータ) (2021-06-25T17:25:38Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control [14.24939133094439]
物理系の力学を推論できるディープラーニングフレームワークであるSymlectic ODE-Net(SymODEN)を紹介する。
特に、ハミルトン力学を制御して、基礎となる力学を透過的に学習する。
このフレームワークは、物理的システムに対して解釈可能で物理的に一貫性のあるモデルを提供することで、モデルベースの制御戦略を合成する新たな可能性を開く。
論文 参考訳(メタデータ) (2019-09-26T13:13:16Z)
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。