論文の概要: Re-Envisioning Numerical Information Field Theory (NIFTy.re): A Library for Gaussian Processes and Variational Inference

• arxiv url: http://arxiv.org/abs/2402.16683v1
• Date: Mon, 26 Feb 2024 16:01:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-28 20:09:31.730684
• Title: Re-Envisioning Numerical Information Field Theory (NIFTy.re): A Library for Gaussian Processes and Variational Inference
• Title（参考訳）: re-envisioning numerical information field theory (nifty.re):ガウス過程と変分推論のためのライブラリ
• Authors: Gordian Edenhofer, Philipp Frank, Jakob Roth, Reimar H. Leike, Massin Guerdi, Lukas I. Scheel-Platz, Matteo Guardiani, Vincent Eberle, Margret Westerkamp, and Torsten A. En{\ss}lin
• Abstract要約: 我々は、NIFTyの書き直しを行い、NIFTy.reという、モデリングの原則を再検討し、推論戦略を拡張し、JAXへの重み付けの多くをアウトソースする。 このリライトはNIFTyで書かれたモデルを劇的に加速し、新しいタイプの推論マシンの基礎を築き、保守性を改善し、NIFTyとJAX機械学習エコシステムの相互運用性を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imaging is the process of transforming noisy, incomplete data into a space that humans can interpret. NIFTy is a Bayesian framework for imaging and has already successfully been applied to many fields in astrophysics. Previous design decisions held the performance and the development of methods in NIFTy back. We present a rewrite of NIFTy, coined NIFTy.re, which reworks the modeling principle, extends the inference strategies, and outsources much of the heavy lifting to JAX. The rewrite dramatically accelerates models written in NIFTy, lays the foundation for new types of inference machineries, improves maintainability, and enables interoperability between NIFTy and the JAX machine learning ecosystem.
• Abstract（参考訳）: イメージングは、ノイズの多い不完全なデータを人間が解釈できる空間に変換するプロセスである。 NIFTyはベイズ的なイメージングの枠組みであり、すでに天体物理学の多くの分野に応用されている。 以前の設計決定は、パフォーマンスとメソッドの開発を巧みに後押ししていた。 我々は、NIFTyの書き直し、NIFTy.reという、モデリングの原則を再検討し、推論戦略を拡張し、JAXへの重み付けの多くをアウトソースします。 このリライトはNIFTyで書かれたモデルを劇的に加速し、新しいタイプの推論マシンの基礎を築き、保守性を改善し、NIFTyとJAX機械学習エコシステムの相互運用性を可能にする。

関連論文リスト

• Building Flexible Machine Learning Models for Scientific Computing at Scale [36.50343666079548]
  我々は科学計算の基礎モデル構築のためのパラダイムシフトアプローチであるOmniArchを紹介する。 包括的なPDEBenchデータセットで事前トレーニングされたOmniArchは、新しいパフォーマンスベンチマークを1D、2D、3D PDE用に設定する。 モデルの表現はさらに逆問題解決にまで拡張され、AI対応科学コンピューティング(AI4SC)の変革の可能性を強調している。
  論文  参考訳（メタデータ） (2024-02-25T07:19:01Z)
• NITO: Neural Implicit Fields for Resolution-free Topology Optimization [7.338114424386579]
  トポロジー最適化はエンジニアリング設計において重要な課題であり、そのゴールは、与えられた空間内で物質を最適に分配することである。 深層学習を用いたトポロジ最適化問題を高速化する新しい手法であるニューラルインプリシットトポロジ最適化(NITO)を導入する。 NITOはSOTA拡散モデルに比べて最大7倍の効率で構造を合成する。
  論文  参考訳（メタデータ） (2024-02-07T18:27:29Z)
• How to Train Neural Field Representations: A Comprehensive Study and Benchmark [31.21629569772885]
  $verb|fit-a-nef|$は、大規模ニューラルネットワークの高速な最適化を実現するために並列化を利用するJAXベースのライブラリである。 下流タスクに対するNeFの適合性に対する異なるハイパーパラメータの影響について検討する。 本稿では、一般的な視覚データセットのニューラルネットワーク変種からなるベンチマークであるNeural Field Arenaを提案する。
  論文  参考訳（メタデータ） (2023-12-16T20:10:23Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• NeuralClothSim: Neural Deformation Fields Meet the Kirchhoff-Love Thin Shell Theory [75.21240705566692]
  既存の布シミュレータは、異なる種類の境界条件に従う現実的な布の変形を生成する。 ニューラルネットワークの重みに表面の進化をエンコードした薄い殻を用いた新しい布シミュレーション手法を提案する。 メモリ効率と微分可能な解法は、動的曲面の新しい連続座標に基づく表現で動作する。
  論文  参考訳（メタデータ） (2023-08-24T17:59:54Z)
• RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
  バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。 本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:14:13Z)
• Domain Agnostic Fourier Neural Operators [15.29112632863168]
  本研究では,不規則なジオメトリと進化するドメインを持つサロゲートを学習するために,ドメインに依存しないフーリエニューラル演算子(DAFNO)を導入する。 鍵となる考え方は、FNOの積分層アーキテクチャに滑らかな特性関数を組み込むことである。 DAFNOはベースラインニューラル演算子モデルと比較して最先端の精度を達成した。
  論文  参考訳（メタデータ） (2023-04-30T13:29:06Z)
• NeuroCounterfactuals: Beyond Minimal-Edit Counterfactuals for Richer Data Augmentation [55.17069935305069]
  本稿では,緩やかな反ファクトとして設計されたNeuroCounterfactualsを紹介する。 我々の新しい生成的アプローチは、言語モデル適応による感情制御による制約付き復号化の利点を橋渡しする。
  論文  参考訳（メタデータ） (2022-10-22T06:29:21Z)
• Self-Denoising Neural Networks for Few Shot Learning [66.38505903102373]
  既存のニューラルアーキテクチャの複数の段階でノイズを追加すると同時に、この付加ノイズに対して堅牢であるように学習する新しいトレーニングスキームを提案する。 このアーキテクチャは、SDNN(Self-Denoising Neural Network)と呼ばれ、現代の畳み込みニューラルネットワークに容易に適用できます。
  論文  参考訳（メタデータ） (2021-10-26T03:28:36Z)
• Continual Learning for Natural Language Generation in Task-oriented Dialog Systems [72.92029584113676]
  自然言語生成(NLG)はタスク指向対話システムにおいて重要な要素である。 我々は,NLGの知識を新たなドメインや機能に段階的に拡張する"継続的学習"環境で研究する。 この目標に対する大きな課題は、破滅的な忘れことであり、継続的に訓練されたモデルは、以前に学んだ知識を忘れがちである。
  論文  参考訳（メタデータ） (2020-10-02T10:32:29Z)
• Differentiable Neural Architecture Transformation for Reproducible Architecture Improvement [3.766702945560518]
  再現可能で効率のよい、微分可能なニューラルアーキテクチャ変換を提案する。 CIFAR-10とTiny Imagenetの2つのデータセットに対する大規模な実験により、提案手法はNATよりも確実に優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-15T09:03:48Z)

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。