論文の概要: E3x: $\mathrm{E}(3)$-Equivariant Deep Learning Made Easy

• arxiv url: http://arxiv.org/abs/2401.07595v3
• Date: Mon, 11 Nov 2024 14:53:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:04:54.849565
• Title: E3x: $\mathrm{E}(3)$-Equivariant Deep Learning Made Easy
• Title（参考訳）: E3x: $\mathrm{E}(3)$-Equivariant Deep Learning が簡単になった
• Authors: Oliver T. Unke, Hartmut Maennel,
• Abstract要約: E3xはユークリッド群$mathrmE(3)$と等価なニューラルネットワークを構築するためのソフトウェアパッケージである。
• 参考スコア（独自算出の注目度）: 5.228832729333389
• License:
• Abstract: This work introduces E3x, a software package for building neural networks that are equivariant with respect to the Euclidean group $\mathrm{E}(3)$, consisting of translations, rotations, and reflections of three-dimensional space. Compared to ordinary neural networks, $\mathrm{E}(3)$-equivariant models promise benefits whenever input and/or output data are quantities associated with three-dimensional objects. This is because the numeric values of such quantities (e.g. positions) typically depend on the chosen coordinate system. Under transformations of the reference frame, the values change predictably, but the underlying rules can be difficult to learn for ordinary machine learning models. With built-in $\mathrm{E}(3)$-equivariance, neural networks are guaranteed to satisfy the relevant transformation rules exactly, resulting in superior data efficiency and accuracy. The code for E3x is available from https://github.com/google-research/e3x, detailed documentation and usage examples can be found on https://e3x.readthedocs.io.
• Abstract（参考訳）: この研究は、ユークリッド群$\mathrm{E}(3)$に対して同値なニューラルネットワークを構築するためのソフトウェアパッケージであるE3xを導入し、三次元空間の変換、回転、反射からなる。 通常のニューラルネットワークと比較して、$\mathrm{E}(3)$-equivariantモデルは、入力および/または出力データが3次元オブジェクトに関連付けられた量であるときに利益を約束する。 これは、そのような量(例えば g の位置)の数値が選択された座標系に依存するためである。 参照フレームの変換では、値は予測通りに変化するが、通常の機械学習モデルでは、基礎となるルールを学習することは困難である。 組み込みの$\mathrm{E}(3)$-equivarianceでは、ニューラルネットワークは関連する変換規則を正確に満たすことが保証され、データ効率と精度が向上する。 E3xのコードはhttps://github.com/google-research/e3xから入手できる。

関連論文リスト

• Self-Ensembling Gaussian Splatting for Few-shot Novel View Synthesis [55.561961365113554]
  3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)に顕著な効果を示した しかし、3DGSモデルはスパースポーズのビューで訓練すると過度に適合する傾向にあり、より広いポーズのバリエーションに対して一般化能力を制限する。 オーバーフィッティング問題を緩和するために, 自己理解型ガウススプラッティング (SE-GS) アプローチを導入する。
  論文  参考訳（メタデータ） (2024-10-31T18:43:48Z)
• Multivector Neurons: Better and Faster O(n)-Equivariant Clifford Graph Neural Networks [17.716680490388306]
  本研究では,クリフォード・マルチベクタに基づく新しいメッセージパッシンググラフニューラルネットワーク(GNN)を試作する。 我々はNボディデータセットの最先端エラーを0.0035にプッシュし、最近の手法よりも8%改善した。
  論文  参考訳（メタデータ） (2024-06-06T13:17:44Z)
• E(3)-Equivariant Mesh Neural Networks [16.158762988735322]
  三角形メッシュは3次元オブジェクトを表現するために広く使われている。 近年の多くの研究は、3Dメッシュ上での幾何学的深層学習の必要性に対処している。 E(n)-同変グラフニューラルネットワーク(EGNN)の方程式を拡張し、メッシュフェイス情報を組み込む。 結果として得られるアーキテクチャであるEMNN(Equivariant Mesh Neural Network)は、メッシュタスクにおいて、他のより複雑な同変手法よりも優れている。
  論文  参考訳（メタデータ） (2024-02-07T13:21:41Z)
• Rethinking SO(3)-equivariance with Bilinear Tensor Networks [0.0]
  我々は、偏差対称性の破れにより、SO$(2)$のベクトルおよび順序2テンソル表現のみに作用するネットワークの表現性を向上させることができることを示す。 本稿では, b-中間子崩壊から生じる粒子ジェットを, 圧倒的なQCD背景から識別しなくてはならない, テクスタイブタグと呼ばれる高エネルギー物理の重要な問題に対して, 本手法を実証する。
  論文  参考訳（メタデータ） (2023-03-20T17:23:15Z)
• LU-Net: Invertible Neural Networks Based on Matrix Factorization [1.2891210250935146]
  LU-Netは、可逆ニューラルネットワーク(INN)のためのシンプルで高速なアーキテクチャである イントレピッドニューラルネットワークは、最大極大原理に従って訓練することができる。 数値実験では,複数の学術データセット上でLU-netアーキテクチャを生成モデルとして検証した。
  論文  参考訳（メタデータ） (2023-02-21T08:52:36Z)
• Reducing SO(3) Convolutions to SO(2) for Efficient Equivariant GNNs [3.1618838742094457]
  等変畳み込みは高次テンソルを使用すると計算複雑性が著しく増加する。 大規模なOC-20データセットとOC-22データセットの最先端結果が得られる同変畳み込みに対する我々の新しいアプローチを利用したグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T18:16:13Z)
• Equivalence Between SE(3) Equivariant Networks via Steerable Kernels and Group Convolution [90.67482899242093]
  近年, 入力の回転と変換において等価な3次元データに対して, ニューラルネットワークを設計するための幅広い手法が提案されている。 両手法とその等価性を詳細に解析し,その2つの構成をマルチビュー畳み込みネットワークに関連付ける。 また、同値原理から新しいTFN非線形性を導出し、実用的なベンチマークデータセット上でテストする。
  論文  参考訳（メタデータ） (2022-11-29T03:42:11Z)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• PDO-s3DCNNs: Partial Differential Operator Based Steerable 3D CNNs [69.85869748832127]
  本研究では、3Dフィルタをモデル化するために偏微分演算子(PDO)を用い、PDO-s3DCNNと呼ばれる一般的な3D CNNを導出する。 等変フィルタは線形制約の対象であり, 様々な条件下で効率的に解けることを示す。
  論文  参考訳（メタデータ） (2022-08-07T13:37:29Z)
• Tangent Space Backpropagation for 3D Transformation Groups [71.41252518419486]
  3Dトランスフォーメーショングループは3Dビジョンやロボット工学で広く利用されている。 ユークリッド空間に3D変換を埋め込む標準的なバックプロパゲーションアプローチは、数値的困難に苦しむ。 3D変換の群構造を利用する新しいライブラリを紹介します。
  論文  参考訳（メタデータ） (2021-03-22T17:33:30Z)
• Deep Polynomial Neural Networks [77.70761658507507]
  $Pi$Netsは拡張に基づいた関数近似の新しいクラスである。 $Pi$Netsは、画像生成、顔検証、および3Dメッシュ表現学習という3つの困難なタスクで、最先端の結果を生成する。
  論文  参考訳（メタデータ） (2020-06-20T16:23:32Z)

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。