Fugu-MT 論文翻訳(概要): Representation Learning for Sequential Volumetric Design Tasks

論文の概要: Representation Learning for Sequential Volumetric Design Tasks

arxiv url: http://arxiv.org/abs/2309.02583v2
Date: Tue, 24 Sep 2024 17:28:47 GMT
ステータス: 処理完了
システム内更新日: 2024-11-09 14:40:04.667244
Title: Representation Learning for Sequential Volumetric Design Tasks
Title（参考訳）: 逐次ボリューム設計課題のための表現学習
Authors: Md Ferdous Alam, Yi Wang, Chin-Yi Cheng, Jieliang Luo,
Abstract要約: 本稿では,設計知識を専門家や高性能な設計シーケンスの集合から符号化することを提案する。学習した表現の密度を推定して選好モデルを開発する。逐次設計生成のための自己回帰変換モデルを訓練する。
参考スコア（独自算出の注目度）: 11.702880690338677
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Volumetric design, also called massing design, is the first and critical step in professional building design which is sequential in nature. As the volumetric design process requires careful design decisions and iterative adjustments, the underlying sequential design process encodes valuable information for designers. Many efforts have been made to automatically generate reasonable volumetric designs, but the quality of the generated design solutions varies, and evaluating a design solution requires either a prohibitively comprehensive set of metrics or expensive human expertise. While previous approaches focused on learning only the final design instead of sequential design tasks, we propose to encode the design knowledge from a collection of expert or high-performing design sequences and extract useful representations using transformer-based models. Later we propose to utilize the learned representations for crucial downstream applications such as design preference evaluation and procedural design generation. We develop the preference model by estimating the density of the learned representations whereas we train an autoregressive transformer model for sequential design generation. We demonstrate our ideas by leveraging a novel dataset of thousands of sequential volumetric designs. Our preference model can compare two arbitrarily given design sequences and is almost $90\%$ accurate in evaluation against random design sequences. Our autoregressive model is also capable of autocompleting a volumetric design sequence from a partial design sequence.
Abstract（参考訳）: ボリュームデザイン(英: volumetric design)は、マスキングデザインとも呼ばれる、プロの建築設計における最初の重要なステップであり、本質的にはシーケンシャルである。ボリューム設計プロセスは慎重な設計決定と反復的な調整を必要とするため、基礎となるシーケンシャル設計プロセスはデザイナーにとって貴重な情報をエンコードする。合理的なボリューム設計を自動生成するための多くの努力がなされているが、生成した設計ソリューションの品質は様々であり、設計ソリューションを評価するには、極めて包括的なメトリクスセットか、高価な人間の専門知識が必要である。従来,設計課題ではなく最終設計の学習に焦点をあてたアプローチでは,設計知識を専門家や高性能な設計シーケンスの集合から符号化し,トランスフォーマーモデルを用いて有用な表現を抽出することを提案した。後日、設計選好評価や手続き設計生成といった重要な下流アプリケーションにおいて、学習した表現を活用することを提案する。本研究では,学習した表現の密度を推定して嗜好モデルを開発する一方で,逐次設計生成のための自己回帰変換モデルを訓練する。数千のシーケンシャルなボリュームデザインの新たなデータセットを活用することで、私たちのアイデアを実証する。我々の選好モデルは、任意に与えられた2つの設計シーケンスを比較することができ、ランダムな設計シーケンスに対する評価において約90\%の精度を持つ。我々の自己回帰モデルは、部分設計シーケンスからボリューム設計シーケンスを自動補完することも可能である。

関連論文リスト

DiffDesign: Controllable Diffusion with Meta Prior for Efficient Interior Design Generation [25.532400438564334]
DiffDesignは、メタプリミティブを持つ制御可能な拡散モデルであり、効率的な内部設計生成を実現する。具体的には,画像データセット上で事前学習した2次元拡散モデルの生成先行をレンダリングバックボーンとして利用する。さらに、外観、ポーズ、サイズといったデザイン属性を横断的に制御し、視点整合性を強制する最適な転送ベースのアライメントモジュールを導入することで、デノナイジングプロセスをガイドする。
論文参考訳（メタデータ） (2024-11-25T11:36:34Z)
What makes a good BIM design: quantitative linking between design behavior and quality [0.6088110776359856]
本研究は,デザイン行動と品質の関係を初めて同定し,定量的に記述する新しいアプローチを提案する。リアルタイム収集とログマイニングが統合され、設計行動の生データを収集する。結果は、様々なモデルで学習できる既存の量的関係を確認した。
論文参考訳（メタデータ） (2024-11-14T14:37:15Z)
I-Design: Personalized LLM Interior Designer [57.00412237555167]
I-Designはパーソナライズされたインテリアデザイナで、自然言語によるコミュニケーションを通じて設計目標の生成と視覚化を可能にする。 I-Designは、対話や論理的推論に従事する大きな言語モデルエージェントのチームから始まる。最終的な設計は、既存のオブジェクトデータベースから資産を取り出し、統合することで、3Dで構築されます。
論文参考訳（メタデータ） (2024-04-03T16:17:53Z)
Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文参考訳（メタデータ） (2024-01-24T01:33:39Z)
Machine Learning-Based Multi-Objective Design Exploration Of Flexible Disc Elements [1.5638419778920147]
本稿では,ANNアーキテクチャを工学設計問題に適用し,改良された設計ソリューションの探索と同定を行う。本研究の問題点は、ディスク結合に使用されるフレキシブルディスク素子の設計である。この目的を達成するために、ANNと遺伝的アルゴリズムを組み合わせて設計探索を行い、指定された基準を満たす設計を同定する。
論文参考訳（メタデータ） (2023-04-14T16:48:51Z)
Parameter-Efficient Fine-Tuning Design Spaces [63.954953653386106]
パラメータ効率の良いファインチューニング設計パラダイムを提案し、異なる実験環境に適用可能な設計パターンを探索する。実験により,これらの手法は,異なるバックボーンモデルと自然言語処理における異なるタスク間のパラメータ効率の高い微調整戦略を連続的に,かつ著しく上回ることを示した。
論文参考訳（メタデータ） (2023-01-04T21:00:18Z)
Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文参考訳（メタデータ） (2022-11-29T17:28:31Z)
Efficient Automatic Machine Learning via Design Graphs [72.85976749396745]
最適なモデル設計を探索する効率的なサンプルベース手法であるFALCONを提案する。 FALCONは,1)グラフニューラルネットワーク(GNN)を介してデザイングラフ上でメッセージパッシングを行うタスク非依存モジュール,2)既知のモデル性能情報のラベル伝搬を行うタスク固有モジュールを特徴とする。 FALCONは,30個の探索ノードのみを用いて,各タスクに対して良好な性能を持つ設計を効率的に得ることを実証的に示す。
論文参考訳（メタデータ） (2022-10-21T21:25:59Z)
Investigating Positive and Negative Qualities of Human-in-the-Loop Optimization for Designing Interaction Techniques [55.492211642128446]
設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
論文参考訳（メタデータ） (2022-04-15T20:40:43Z)
Generative Design by Reinforcement Learning: Enhancing the Diversity of Topology Optimization Designs [5.8010446129208155]
本研究では、トポロジ設計の多様性を最大化する報酬関数を備えた強化学習に基づく生成設計プロセスを提案する。 RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を生成できることを示す。
論文参考訳（メタデータ） (2020-08-17T06:50:47Z)
Autofocused oracles for model-based design [8.22379888383833]
非ゼロサムゲームとしてデータ駆動設計問題を定式化する。設計アルゴリズムが進むにつれて回帰モデルを再訓練するための原則的戦略を開発する。
論文参考訳（メタデータ） (2020-06-14T23:22:50Z)

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。