論文の概要: Geometry-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2402.14009v1
- Date: Wed, 21 Feb 2024 18:50:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 14:05:38.641560
- Title: Geometry-Informed Neural Networks
- Title(参考訳): 幾何インフォームドニューラルネットワーク
- Authors: Arturs Berzins, Andreas Radler, Sebastian Sanokowski, Sepp Hochreiter,
Johannes Brandstetter
- Abstract要約: 幾何インフォームドニューラルネットワーク(GINN)の概念を紹介する。
GINNは(i) 幾何学的制約下での学習、(ii) ニューラルネットワークを適切な表現として、(iii) 未決定システムに対する多様な解を生成する。
本稿では,GINN学習パラダイムの有効性を,複雑さのレベルが増大する2次元および3次元のシナリオで示す。
- 参考スコア(独自算出の注目度): 16.994484786183275
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce the concept of geometry-informed neural networks (GINNs), which
encompass (i) learning under geometric constraints, (ii) neural fields as a
suitable representation, and (iii) generating diverse solutions to
under-determined systems often encountered in geometric tasks. Notably, the
GINN formulation does not require training data, and as such can be considered
generative modeling driven purely by constraints. We add an explicit diversity
loss to mitigate mode collapse. We consider several constraints, in particular,
the connectedness of components which we convert to a differentiable loss
through Morse theory. Experimentally, we demonstrate the efficacy of the GINN
learning paradigm across a range of two and three-dimensional scenarios with
increasing levels of complexity.
- Abstract(参考訳): 本稿では,幾何インフォームドニューラルネットワーク(GINN)の概念を紹介する。
(i)幾何学的制約の下での学習
(ii)適切な表現としての神経場、及び
(iii)幾何学的課題にしばしば遭遇する未決定のシステムに対する多様な解を生成すること。
特に、GINNの定式化はトレーニングデータを必要としないため、制約によって純粋に駆動される生成モデリングと見なすことができる。
モード崩壊を緩和するために、明らかな多様性の損失を加えます。
我々はいくつかの制約、特にモース理論を通じて微分可能な損失に変換する成分の連結性を考える。
実験では,複雑さのレベルが増大する2次元および3次元シナリオにおけるginn学習パラダイムの有効性を実証する。
関連論文リスト
- A quatum inspired neural network for geometric modeling [14.214656118952178]
本稿では,MPSベースのメッセージパッシング戦略を提案する。
本手法は,多体関係を効果的にモデル化し,平均場近似を抑える。
これは幾何学的GNNに固有の標準メッセージパッシングおよびレイヤ集約モジュールをシームレスに置き換える。
論文 参考訳(メタデータ) (2024-01-03T15:59:35Z) - Stacked tensorial neural networks for reduced-order modeling of a
parametric partial differential equation [0.0]
複数のTNNを大きなネットワークに融合させるディープニューラルネットワークアーキテクチャについて説明する。
このアーキテクチャを、3つの独立変数と3つのパラメータを持つパラメトリックPDE上で評価する。
論文 参考訳(メタデータ) (2023-12-21T21:44:50Z) - Physics-informed neural networks for transformed geometries and
manifolds [0.0]
本稿では,幾何学的変分を頑健に適合させるために,PINN内に幾何変換を統合する新しい手法を提案する。
従来のPINNに対して,特に幾何学的変動下での柔軟性の向上を実証する。
提案したフレームワークは、パラメータ化されたジオメトリ上でのディープ・ニューラル演算子のトレーニングの展望を示す。
論文 参考訳(メタデータ) (2023-11-27T15:47:33Z) - Physics-Informed Graph Convolutional Networks: Towards a generalized
framework for complex geometries [0.0]
偏微分方程式の解法としてグラフニューラルネットワークを用いることを正当化する。
古典的数値解法と物理インフォームド・フレームワークを組み合わせることで、別の手法を提案する。
本稿では,不規則な幾何学上の3次元問題に対して検証を行う手法を提案する。
論文 参考訳(メタデータ) (2023-10-20T09:46:12Z) - MMGP: a Mesh Morphing Gaussian Process-based machine learning method for
regression of physical problems under non-parameterized geometrical
variability [0.30693357740321775]
本稿では,グラフニューラルネットワークに依存しない機械学習手法を提案する。
提案手法は, 明示的な形状パラメータ化を必要とせずに, 大きなメッシュを容易に扱うことができる。
論文 参考訳(メタデータ) (2023-05-22T09:50:15Z) - A Functional-Space Mean-Field Theory of Partially-Trained Three-Layer
Neural Networks [49.870593940818715]
本稿では,第1層がランダムで固定された3層NNモデルの無限幅限界について検討する。
我々の理論はモデルの異なるスケーリング選択に対応しており、結果としてMF制限の2つの条件が顕著な振舞いを示す。
論文 参考訳(メタデータ) (2022-10-28T17:26:27Z) - Fusing the Old with the New: Learning Relative Camera Pose with
Geometry-Guided Uncertainty [91.0564497403256]
本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。
本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。
学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
論文 参考訳(メタデータ) (2021-04-16T17:59:06Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳(メタデータ) (2021-02-16T04:07:13Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳(メタデータ) (2020-10-23T14:49:02Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z) - Seismic horizon detection with neural networks [62.997667081978825]
本稿では,複数の実地震立方体上での地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
本研究の主な貢献は,複数実地震立方体における地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
論文 参考訳(メタデータ) (2020-01-10T11:30:50Z)
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。