Fugu-MT 論文翻訳(概要): PINF: Continuous Normalizing Flows for Physics-Constrained Deep Learning

論文の概要: PINF: Continuous Normalizing Flows for Physics-Constrained Deep Learning

arxiv url: http://arxiv.org/abs/2309.15139v1
Date: Tue, 26 Sep 2023 15:38:57 GMT
ステータス: 処理完了
システム内更新日: 2023-09-28 18:18:43.417591
Title: PINF: Continuous Normalizing Flows for Physics-Constrained Deep Learning
Title（参考訳）: PINF:物理に制約のあるディープラーニングのための継続的正規化フロー
Authors: Feng Liu, Faguo Wu and Xiao Zhang
Abstract要約: 本稿では,連続正規化フローの新たな拡張である物理インフォームド正規化フロー(PINF)を紹介する。メッシュフリーかつ因果フリーな本手法は,高次元時間依存性と定常状態Fokker-Planck方程式を効率的に解ける。
参考スコア（独自算出の注目度）: 8.000355537589224
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The normalization constraint on probability density poses a significant challenge for solving the Fokker-Planck equation. Normalizing Flow, an invertible generative model leverages the change of variables formula to ensure probability density conservation and enable the learning of complex data distributions. In this paper, we introduce Physics-Informed Normalizing Flows (PINF), a novel extension of continuous normalizing flows, incorporating diffusion through the method of characteristics. Our method, which is mesh-free and causality-free, can efficiently solve high dimensional time-dependent and steady-state Fokker-Planck equations.
Abstract（参考訳）: 確率密度の正規化制約は、フォッカー・プランク方程式を解く上で大きな課題となる。流れの正規化可逆生成モデルは変数式の変化を利用して確率密度の保存を保証し、複雑なデータ分布の学習を可能にする。本稿では,連続正規化流の新たな拡張である物理不定形正規化流(pinf)を,特性の手法による拡散を取り入れて紹介する。メッシュフリーかつ因果フリーな本手法は,高次元時間依存性と定常状態Fokker-Planck方程式を効率的に解ける。

関連論文リスト

Lagrangian Flow Networks for Conservation Laws [1.3385962626827215]
流体密度と速度を連続的に空間と時間でモデル化するLagrangian Flow Networks (LFlows)を紹介した。 LFlowsは2次元および3次元の競合モデルと比較して密度モデリングタスクにおいて高い予測精度を示す。実世界の応用として、疎気象レーダ測定に基づく鳥の移動をモデル化する。
論文参考訳（メタデータ） (2023-05-26T11:58:27Z)
ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文参考訳（メタデータ） (2022-08-18T16:07:59Z)
Self-Consistency of the Fokker-Planck Equation [117.17004717792344]
フォッカー・プランク方程式は、伊藤過程の密度進化を支配している。地絡速度場は固定点方程式の解であることを示すことができる。本稿では,この概念を利用して仮説速度場のポテンシャル関数を設計する。
論文参考訳（メタデータ） (2022-06-02T03:44:23Z)
Discretely Indexed Flows [1.0079626733116611]
本稿では,変分推定問題の解法として離散インデックスフロー(DIF)を提案する。 DIFは正規化フロー(NF)の拡張として構築され、決定論的輸送は離散的にインデックス付けされる。これらは、トラクタブル密度と単純なサンプリングスキームの両方の利点があり、変分推論(VI)と変分密度推定(VDE)の二重問題に利用できる。
論文参考訳（メタデータ） (2022-04-04T10:13:43Z)
Solving time dependent Fokker-Planck equations via temporal normalizing flow [7.3990175502763185]
時間依存Fokker-Planck方程式を解くための時間正規化フローに基づく適応学習手法を提案する。機械学習のスキームであるため、提案手法はメッシュフリーであり、高次元問題にも容易に適用できる。
論文参考訳（メタデータ） (2021-12-28T06:39:14Z)
Normalizing Field Flows: Solving forward and inverse stochastic differential equations using Physics-Informed flow model [8.455584500599807]
本研究では,散乱測定からランダム場を学習する場流の正規化(NFF)について紹介する。我々は、非ガウス過程、混合ガウス過程、前方および逆偏微分方程式を学習するためのNFFモデルの有効性を実証する。
論文参考訳（メタデータ） (2021-08-30T01:58:01Z)
Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
論文参考訳（メタデータ） (2021-08-18T09:00:24Z)
Large-Scale Wasserstein Gradient Flows [84.73670288608025]
ワッサーシュタイン勾配流を近似するスケーラブルなスキームを導入する。我々のアプローチは、JKOステップを識別するために、入力ニューラルネットワーク(ICNN)に依存しています。その結果、勾配拡散の各ステップで測定値からサンプリングし、その密度を計算することができる。
論文参考訳（メタデータ） (2021-06-01T19:21:48Z)
Integrable Nonparametric Flows [5.9774834479750805]
本稿では,無限小変化のみを仮定した無限小正規化フローを確率分布に再構成する手法を提案する。これは、フローの正規化という従来のタスクを逆転させる。量子モンテカルロ問題と機械学習の潜在的な応用について論じる。
論文参考訳（メタデータ） (2020-12-03T16:19:52Z)
Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文参考訳（メタデータ） (2019-11-29T19:17:58Z)
A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。