論文の概要: Neural Modes: Self-supervised Learning of Nonlinear Modal Subspaces

• arxiv url: http://arxiv.org/abs/2404.17620v1
• Date: Fri, 26 Apr 2024 14:12:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-30 20:00:20.311726
• Title: Neural Modes: Self-supervised Learning of Nonlinear Modal Subspaces
• Title（参考訳）: ニューラルモード:非線形モーダル部分空間の自己教師型学習
• Authors: Jiahong Wang, Yinwei Du, Stelian Coros, Bernhard Thomaszewski,
• Abstract要約: 実時間シミュレーションのための物理に基づく部分空間学習のための自己教師型アプローチを提案する。 本手法は, 物理平衡制約を反映した学習部分空間を導出し, 従来の手法の過度に適合する問題を解き, 解釈可能な潜在空間パラメータを提供することを示す。
• 参考スコア（独自算出の注目度）: 24.15874821482212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a self-supervised approach for learning physics-based subspaces for real-time simulation. Existing learning-based methods construct subspaces by approximating pre-defined simulation data in a purely geometric way. However, this approach tends to produce high-energy configurations, leads to entangled latent space dimensions, and generalizes poorly beyond the training set. To overcome these limitations, we propose a self-supervised approach that directly minimizes the system's mechanical energy during training. We show that our method leads to learned subspaces that reflect physical equilibrium constraints, resolve overfitting issues of previous methods, and offer interpretable latent space parameters.
• Abstract（参考訳）: 実時間シミュレーションのための物理に基づく部分空間学習のための自己教師型アプローチを提案する。 既存の学習に基づく手法は、あらかじめ定義されたシミュレーションデータを純粋に幾何学的に近似することで、サブスペースを構築する。 しかし、このアプローチは高エネルギーな構成を生み出し、絡み合ったラテント空間次元をもたらし、トレーニングセットを超えるほど一般化しない傾向にある。 これらの制約を克服するために,訓練中のシステムの機械的エネルギーを直接最小化する自己教師型アプローチを提案する。 本手法は, 物理平衡制約を反映した学習部分空間を導出し, 従来の手法の過度に適合する問題を解き, 解釈可能な潜在空間パラメータを提供することを示す。

関連論文リスト

• Lattice real-time simulations with learned optimal kernels [49.1574468325115]
  本稿では、強化学習にインスパイアされた量子場のリアルタイムダイナミクスのシミュレーション戦略を提案する。 複雑なLangevinアプローチに基づいて構築され、システム固有の事前情報で修正される。
  論文  参考訳（メタデータ） (2023-10-12T06:01:01Z)
• Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
  我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。 物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。 本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
  論文  参考訳（メタデータ） (2023-04-25T15:53:45Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
  自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。 我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-09-29T15:24:47Z)
• Linear Adversarial Concept Erasure [98.14246446690282]
  与えられた概念に対応する線形部分空間の同定と消去の問題を定式化する。 我々は、この問題を制約付き線形ミニマックスゲームとしてモデル化し、既存のソリューションが一般にこのタスクに最適でないことを示す。 線形であるにもかかわらず、この手法は、トラクタビリティと解釈可能性を維持しつつ、深い非線形分類器のバイアスを効果的に軽減することを示す。
  論文  参考訳（メタデータ） (2022-01-28T13:00:17Z)
• Koopman Q-learning: Offline Reinforcement Learning via Symmetries of Dynamics [29.219095364935885]
  オフライン強化学習は、大規模なデータセットを活用して、環境とのインタラクションなしにポリシーをトレーニングする。 現在のアルゴリズムは、トレーニングデータセットに過度に適合し、環境のアウト・オブ・ディストリビューションの一般化にデプロイすると、パフォーマンスが悪くなります。 我々は、システムの基盤となる力学の対称性を推測できるクープマン潜在表現を学習する。 我々は,D4RL,Metaworld,Robosuiteなどのオフライン強化学習タスクとデータセットをベンチマークで評価した。
  論文  参考訳（メタデータ） (2021-11-02T04:32:18Z)
• Deep Learning Approximation of Diffeomorphisms via Linear-Control Systems [91.3755431537592]
  我々は、制御に線形に依存する$dot x = sum_i=1lF_i(x)u_i$という形の制御系を考える。 対応するフローを用いて、コンパクトな点のアンサンブル上の微分同相写像の作用を近似する。
  論文  参考訳（メタデータ） (2021-10-24T08:57:46Z)
• OnsagerNet: Learning Stable and Interpretable Dynamics using a Generalized Onsager Principle [19.13913681239968]
  我々は、一般化オンサーガー原理に基づいて、物理過程からサンプリングされた軌道データを用いて、安定かつ物理的に解釈可能な力学モデルを学ぶ。 さらに、この手法をレイリー・ベナード対流の研究に応用し、ローレンツ風の低次元自律還元次モデルを学ぶ。
  論文  参考訳（メタデータ） (2020-09-06T07:30:59Z)
• Plan-Space State Embeddings for Improved Reinforcement Learning [12.340412143459869]
  提案手法は,計画や他の形態の実証から状態埋め込みを学習するための新しい手法である。 これらの埋め込みは、強化学習問題におけるロボット状態の強化としてどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2020-04-30T03:38:14Z)

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。