論文の概要: An attempt to generate new bridge types from latent space of generative flow

• arxiv url: http://arxiv.org/abs/2401.10299v1
• Date: Thu, 18 Jan 2024 06:26:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 17:52:31.477733
• Title: An attempt to generate new bridge types from latent space of generative flow
• Title（参考訳）: 生成流の潜在空間からの新しい橋梁型の生成の試み
• Authors: Hongjun Zhang
• Abstract要約: フローの正規化の基本原理は、単純で簡潔な方法で導入される。 人口からのサンプルとしてデータセットを扱い、正規化フローを取得することは、基本的にはサンプリングサーベイによって行われる。 三次元ビームブリッジ,アーチブリッジ,ケーブルステイドブリッジ,可逆サスペンションブリッジの対称構造画像データセットを用いて,図書館内のGlow APIに基づく流れの構築と正規化を行う。
• 参考スコア（独自算出の注目度）: 2.05750372679553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Through examples of coordinate and probability transformation between different distributions, the basic principle of normalizing flow is introduced in a simple and concise manner. From the perspective of the distribution of random variable function, the essence of probability transformation is explained, and the scaling factor Jacobian determinant of probability transformation is introduced. Treating the dataset as a sample from the population, obtaining normalizing flow is essentially through sampling surveys to statistically infer the numerical features of the population, and then the loss function is established by using the maximum likelihood estimation method. This article introduces how normalizing flow cleverly solves the two major application challenges of high-dimensional matrix determinant calculation and neural network reversible transformation. Using symmetric structured image dataset of three-span beam bridge, arch bridge, cable-stayed bridge and suspension bridge, constructing and training normalizing flow based on the Glow API in the TensorFlow Probability library. The model can smoothly transform the complex distribution of the bridge dataset into a standard normal distribution, and from the obtained latent space sampling, it can generate new bridge types that are different from the training dataset.
• Abstract（参考訳）: 異なる分布間の座標と確率変換の例を通して、フローの正規化の基本原理は単純かつ簡潔に導入された。 確率変数関数の分布の観点からは、確率変換の本質を説明し、確率変換のスケーリング因子ヤコビアン行列式を導入する。 人口からのサンプルとしてデータセットを扱い, 正規化フローを得るには, 人口の数値的特徴を統計的に推定するサンプリングサーベイを要し, 最大推定法を用いて損失関数を定式化する。 本稿では,高次元行列行列計算とニューラルネットワーク可逆変換の2つの主要な応用課題を,フローの正規化がいかに巧みに解決するかを紹介する。 3スパンビームブリッジ、アーチブリッジ、ケーブルスタイトブリッジ、サスペンションブリッジの対称構造画像データセットを使用して、tensorflow確率ライブラリのglow apiに基づく正規化フローの構築とトレーニングを行う。 このモデルは、ブリッジデータセットの複雑な分布を標準正規分布にスムーズに変換することができ、得られた潜在空間サンプリングから、トレーニングデータセットとは異なる新しいブリッジタイプを生成することができる。

関連論文リスト

• Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
  本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。 入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
  論文  参考訳（メタデータ） (2024-10-07T23:53:25Z)
• Arbitrary Distributions Mapping via SyMOT-Flow: A Flow-based Approach Integrating Maximum Mean Discrepancy and Optimal Transport [2.7309692684728617]
  本稿では,2つの未知分布からの標本間の対称最大平均誤差を最小化することにより,可逆変換を訓練するSyMOT-Flowと呼ばれる新しいモデルを提案する。 結果として得られる変換はより安定で正確なサンプル生成をもたらす。
  論文  参考訳（メタデータ） (2023-08-26T08:39:16Z)
• Normalizing flow sampling with Langevin dynamics in the latent space [12.91637880428221]
  正規化フロー(NF)は、連続生成器を使用して、単純な潜伏分布(例えばガウス分布)をトレーニングデータセットに関連する経験的対象分布にマッピングする。 標準NFは可微分写像を実装しているため、複雑な分布を対象とする場合、病理学的挙動に悩まされることがある。 本稿では,マルコフ連鎖モンテカルロアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-20T09:31:35Z)
• Conditioning Normalizing Flows for Rare Event Sampling [61.005334495264194]
  本稿では,ニューラルネットワーク生成構成に基づく遷移経路サンプリング手法を提案する。 本手法は遷移領域の熱力学と運動学の両方の解法を可能にすることを示す。
  論文  参考訳（メタデータ） (2022-07-29T07:56:10Z)
• Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
  アイソメトリーを用いて、多様体学習と密度推定を分離する。 また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2022-03-08T08:57:43Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• Resampling Base Distributions of Normalizing Flows [0.0]
  学習された拒絶サンプリングに基づいて,フローを正規化するためのベース分布を導入する。 ログライクリフの最大化と逆Kulback-Leibler分散の最適化の両方を用いて、適切な学習アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-10-29T14:44:44Z)
• Particle Filter Bridge Interpolation [0.0]
  以前に導入した次元独立生成法に基づいて構築する。 高い表現密度の領域を正確に識別する識別ネットワークを紹介します。 得られたサンプリング手順により、パスのばらつきが大きくなり、データ密度の高い領域へのより強いドリフトが可能になる。
  論文  参考訳（メタデータ） (2021-03-27T18:33:00Z)
• Jacobian Determinant of Normalizing Flows [7.124391555099448]
  正規化フローは、ターゲットとベース分布の間の微分同相写像を学習する。 その写像のジャコビアン行列は別の実値関数を形成する。 正規化フロートレーニングを安定させるためには,体積の膨張性と収縮とのバランスを維持する必要がある。
  論文  参考訳（メタデータ） (2021-02-12T14:09:28Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)
• 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)

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。