論文の概要: A Hybrid GNN approach for predicting node data for 3D meshes
- arxiv url: http://arxiv.org/abs/2310.14707v1
- Date: Mon, 23 Oct 2023 08:47:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 21:30:34.227441
- Title: A Hybrid GNN approach for predicting node data for 3D meshes
- Title（参考訳）: 3次元メッシュのノードデータ予測のためのハイブリッドGNNアプローチ
- Authors: Shwetha Salimath and Francesca Bugiotti and Frederic Magoules
- Abstract要約: 現在,有限要素法による最適パラメータの予測を行っている。
新たなデータシミュレーションの処理と生成を支援するハイブリッドアプローチを導入する。
新しいモデルは、シミュレーションを作成するために適用された場合、既存のPointNetや単純なグラフニューラルネットワークモデルよりも優れています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Metal forging is used to manufacture dies. We require the best set of input
parameters for the process to be efficient. Currently, we predict the best
parameters using the finite element method by generating simulations for the
different initial conditions, which is a time-consuming process. In this paper,
introduce a hybrid approach that helps in processing and generating new data
simulations using a surrogate graph neural network model based on graph
convolutions, having a cheaper time cost. We also introduce a hybrid approach
that helps in processing and generating new data simulations using the model.
Given a dataset representing meshes, our focus is on the conversion of the
available information into a graph or point cloud structure. This new
representation enables deep learning. The predicted result is similar, with a
low error when compared to that produced using the finite element method. The
new models have outperformed existing PointNet and simple graph neural network
models when applied to produce the simulations.
- Abstract（参考訳）: 金属鍛造は金型の製造に用いられる。
プロセスが効率的になるためには、最適な入力パラメータセットが必要です。
現在, 有限要素法を用いて, 時間を要する異なる初期条件のシミュレーションを生成することにより, 最適パラメータを予測している。
本稿では,グラフ畳み込みに基づく代理グラフニューラルネットワークモデルを用いて,新しいデータシミュレーションの処理と生成を支援するハイブリッド手法を提案する。
また,モデルを用いた新しいデータシミュレーションの処理と生成を支援するハイブリッド手法を提案する。
メッシュを表すデータセットが与えられたら、利用可能な情報をグラフやポイントクラウド構造に変換することに注力します。
この表現は深層学習を可能にする。
予測結果は有限要素法で生成されたものと比較して誤差が低いのと似ている。
新しいモデルは、シミュレーションを作成するために適用される場合、既存のpointnetや単純なグラフニューラルネットワークモデルよりも優れています。
関連論文リスト
- Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-03-11T06:34:05Z) - Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳（メタデータ） (2023-10-23T01:25:44Z) - Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural
Networks [8.736819316856748]
本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。
曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。
また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
論文 参考訳（メタデータ） (2023-08-14T14:39:13Z) - Post-training Model Quantization Using GANs for Synthetic Data
Generation [57.40733249681334]
量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。
本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
論文 参考訳（メタデータ） (2023-05-10T11:10:09Z) - Invertible Neural Networks for Graph Prediction [22.140275054568985]
本研究では,ディープ・インバーチブル・ニューラルネットワークを用いた条件生成について述べる。
私たちの目標は,前処理と後処理の予測と生成を同時に行うことにあるので,エンドツーエンドのトレーニングアプローチを採用しています。
論文 参考訳（メタデータ） (2022-06-02T17:28:33Z) - Spectral goodness-of-fit tests for complete and partial network data [1.7188280334580197]
我々は、最近のランダム行列理論の結果を用いて、ダイアディックデータに対する一般的な適合性テスト(英語版)を導出する。
提案手法は,特定の関心モデルに適用された場合,パラメータ選択の単純かつ高速な方法であることを示す。
提案手法は, コミュニティ検出アルゴリズムの改良に繋がる。
論文 参考訳（メタデータ） (2021-06-17T17:56:30Z) - Bandgap optimization in combinatorial graphs with tailored ground
states: Application in Quantum annealing [0.0]
Pottsモデルのパラメータ推定にはMILP(mixed-integer linear programming)の定式化を提案する。
2つのアルゴリズムが開発され、第1の手法は、基底状態の集合がユーザの指定したデータセットを複製するパラメータを推定する。
論文 参考訳（メタデータ） (2021-01-31T22:11:12Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳（メタデータ） (2020-08-16T11:36:11Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳（メタデータ） (2020-07-07T03:36:28Z) - Optimal Transport Graph Neural Networks [31.191844909335963]
現在のグラフニューラルネットワーク(GNN)アーキテクチャは、集約グラフ表現に平均または総和ノードを埋め込む。
本稿では,パラメトリックプロトタイプを用いたグラフ埋め込み計算モデルOT-GNNを紹介する。
論文 参考訳（メタデータ） (2020-06-08T14:57:39Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。