論文の概要: Geometry-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2402.14009v2
- Date: Mon, 27 May 2024 16:12:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-29 07:15:18.642924
- 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: 形状生成モデルのトレーニングを行うために,形状インフォームドニューラルネットワーク(GINN)を導入する。
GINNは(i)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)未決定問題に対する多様な解を生成する。
- 参考スコア(独自算出の注目度): 16.03834563833674
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geometry is a ubiquitous language of computer graphics, design, and engineering. However, the lack of large shape datasets limits the application of state-of-the-art supervised learning methods and motivates the exploration of alternative learning strategies. To this end, we introduce geometry-informed neural networks (GINNs) to train shape generative models \emph{without any data}. GINNs combine (i) learning under constraints, (ii) neural fields as a suitable representation, and (iii) generating diverse solutions to under-determined problems. We apply GINNs to several two and three-dimensional problems of increasing levels of complexity. Our results demonstrate the feasibility of training shape generative models in a data-free setting. This new paradigm opens several exciting research directions, expanding the application of generative models into domains where data is sparse.
- Abstract(参考訳): 幾何学はコンピュータグラフィックス、デザイン、エンジニアリングのユビキタス言語である。
しかし,大規模データセットの欠如は,最先端の教師あり学習手法の適用を制限し,代替学習戦略の探索を動機付けている。
この目的のために、形状生成モデル \emph{without any data} をトレーニングするために、幾何インフォームドニューラルネットワーク(GINN)を導入する。
GINN が組み合わさって
(i)制約下での学習
二 好適な表現としての神経場、及び
三 未決定問題に対する多様な解を生成すること。
複雑度を増大させる2次元および3次元問題にGINNを適用する。
本研究は,データフリー環境での形状生成モデルのトレーニングの実現可能性を示すものである。
この新しいパラダイムは、データが少ない領域に生成モデルの適用を広げ、いくつかのエキサイティングな研究方向を開く。
関連論文リスト
- Reference Neural Operators: Learning the Smooth Dependence of Solutions of PDEs on Geometric Deformations [13.208548352092455]
任意の形状の領域上の偏微分方程式に対して、ニューラル作用素の既存の研究は、幾何学から解への写像を学ぼうとする。
本稿では、幾何学的変形に対する解の滑らかな依存を学習するために、参照ニューラル演算子(RNO)を提案する。
RNOはベースラインモデルの精度を大きなリードで上回り、最大80%のエラー低減を達成する。
論文 参考訳(メタデータ) (2024-05-27T06:50:17Z) - A singular Riemannian Geometry Approach to Deep Neural Networks III. Piecewise Differentiable Layers and Random Walks on $n$-dimensional Classes [49.32130498861987]
本稿ではReLUのような非微分可能活性化関数の事例について検討する。
最近の2つの研究は、ニューラルネットワークを研究するための幾何学的枠組みを導入した。
本稿では,画像の分類と熱力学問題に関する数値実験を行った。
論文 参考訳(メタデータ) (2024-04-09T08:11:46Z) - A Survey of Geometric Graph Neural Networks: Data Structures, Models and
Applications [67.33002207179923]
本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。
幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。
また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
論文 参考訳(メタデータ) (2024-03-01T12:13:04Z) - GEM3D: GEnerative Medial Abstractions for 3D Shape Synthesis [25.594334301684903]
GEM3Dは3次元形状の新しい深層トポロジ対応生成モデルである。
本手法の主な要素は,形状トポロジーと幾何学の両方の情報をコードする神経骨格に基づく表現である。
我々は,最先端技術と比較して,表面の忠実な再構築と多様な形状生成結果を示す。
論文 参考訳(メタデータ) (2024-02-26T20:00:57Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - 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) - Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes [52.038346313823524]
本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。
提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
論文 参考訳(メタデータ) (2022-06-10T08:32:57Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳(メタデータ) (2021-12-23T12:17:47Z) - Scalable Surface Reconstruction with Delaunay-Graph Neural Networks [14.128976778330474]
本稿では,大規模で欠陥のある点群に対して,新しい学習ベースで可視性に配慮した表面再構成手法を提案する。
実際のMVS(Multi-View Stereo)買収で発生する点雲欠陥のスケールと多様性に対処できる。
論文 参考訳(メタデータ) (2021-07-13T14:30:32Z) - E(n) Equivariant Graph Neural Networks [86.75170631724548]
本稿では,E(n)-Equivariant Graph Neural Networks (EGNNs) と呼ばれる回転,翻訳,反射,置換に等価なグラフニューラルネットワークを学習する新しいモデルを提案する。
既存の手法とは対照的に、私たちの仕事は計算的に高価な中間層における高階表現を必要としません。
論文 参考訳(メタデータ) (2021-02-19T10:25:33Z)
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。