Fugu-MT 論文翻訳(概要): Symmetry Discovery Beyond Affine Transformations

論文の概要: Symmetry Discovery Beyond Affine Transformations

arxiv url: http://arxiv.org/abs/2406.03619v2
Date: Wed, 06 Nov 2024 22:25:43 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-08 19:36:44.903641
Title: Symmetry Discovery Beyond Affine Transformations
Title（参考訳）: アフィン変換を超えた対称性の発見
Authors: Ben Shaw, Abram Magner, Kevin R. Moon,
Abstract要約: アフィン変換群を超えてデータの連続対称性を発見するための枠組みを概説する。提案手法をLieGANと呼ばれる既存手法と比較し,アフィン対称性の検出に競争力があることを実証した。また,本手法はアフィン群以外の連続対称性の検出が可能であり,一般にLieGANよりも計算効率が高いことを示す。
参考スコア（独自算出の注目度）: 4.601683217376771
License:
Abstract: Symmetry detection can improve various machine learning tasks. In the context of continuous symmetry detection, current state of the art experiments are limited to detecting affine transformations. Under the manifold assumption, we outline a framework for discovering continuous symmetry in data beyond the affine transformation group. We also provide a similar framework for discovering discrete symmetry. We experimentally compare our method to an existing method known as LieGAN and show that our method is competitive at detecting affine symmetries for large sample sizes and superior than LieGAN for small sample sizes. We also show our method is able to detect continuous symmetries beyond the affine group and is generally more computationally efficient than LieGAN.
Abstract（参考訳）: 対称性検出は、さまざまな機械学習タスクを改善することができる。連続対称性検出の文脈では、現在の最先端の実験はアフィン変換の検出に限られる。多様体の仮定の下で、アフィン変換群を超えたデータの連続対称性を発見するための枠組みを概説する。また、離散対称性を発見するための同様の枠組みも提供する。提案手法をLieGANと呼ばれる既存手法と比較した結果, 試料径の大きいアフィン対称性を検出でき, 試料径の小さいLieGANよりも優れていることがわかった。また,本手法はアフィン群以外の連続対称性の検出が可能であり,一般にLieGANよりも計算効率が高いことを示す。

関連論文リスト

Learning Infinitesimal Generators of Continuous Symmetries from Data [15.42275880523356]
1-パラメータ群で定義された変換に基づく新しい対称性学習アルゴリズムを提案する。この手法は最小限の帰納バイアスに基づいて構築され、リー群に根付いた一般的な対称性だけでなく、非線形発生器由来の対称性にまで拡張される。
論文参考訳（メタデータ） (2024-10-29T08:28:23Z)
SymmetryLens: A new candidate paradigm for unsupervised symmetry learning via locality and equivariance [0.0]
我々は、生データから始まる新しい教師なし対称性学習法を開発した。この対称性と局所性の結合は,エントロピー推定のために開発された特別な最適化手法とともに,高度に安定なシステムをもたらすことを実証する。私たちが考える対称性の作用は群表現であるが、このアプローチは非可換リー群のより一般的な非線形作用に一般化される可能性があると信じている。
論文参考訳（メタデータ） (2024-10-07T17:40:51Z)
Robust Symmetry Detection via Riemannian Langevin Dynamics [39.342336146118015]
本稿では, 従来の対称性検出技術と, 生成モデリングの最近の進歩を融合した新しい対称性検出手法を提案する。具体的には、騒音に対するロバスト性を高めるために、対称性空間にランゲヴィン力学を適用する。提案手法は雑音に対して頑健であるだけでなく,部分対称性と大域対称性の両方を識別できることを示す様々な形状に関する実験結果を提供する。
論文参考訳（メタデータ） (2024-09-18T02:28:20Z)
Latent Space Symmetry Discovery [31.28537696897416]
本稿では,非線形群作用の対称性を発見できる新しい生成モデルであるLatent LieGANを提案する。本モデルでは,群作用に関する条件下で非線形対称性を表現できることが示されている。 LaLiGANはまた、方程式発見や長期予測を含む下流のタスクに有用な構造化された潜在空間をもたらす。
論文参考訳（メタデータ） (2023-09-29T19:33:01Z)
Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文参考訳（メタデータ） (2023-07-11T16:51:38Z)
Accelerated Discovery of Machine-Learned Symmetries: Deriving the Exceptional Lie Groups G2, F4 and E6 [55.41644538483948]
このレターでは、対称性変換の発見を著しく高速化する2つの改良されたアルゴリズムを紹介している。例外的リー群の複雑性を考えると,この機械学習手法は完全に汎用的であり,多種多様なラベル付きデータセットに適用可能であることを示す。
論文参考訳（メタデータ） (2023-07-10T20:25:44Z)
Oracle-Preserving Latent Flows [58.720142291102135]
我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
論文参考訳（メタデータ） (2023-02-02T00:13:32Z)
Generative Adversarial Symmetry Discovery [19.098785309131458]
リーGANは対称性を解釈可能なリー代数基底として表現し、様々な対称性を発見できる。学習された対称性は、予測の精度と一般化を改善するために、既存の同変ニューラルネットワークで容易に利用することができる。
論文参考訳（メタデータ） (2023-02-01T04:28:36Z)
Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras from First Principles [55.41644538483948]
ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
論文参考訳（メタデータ） (2023-01-13T16:25:25Z)
GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文参考訳（メタデータ） (2021-02-22T19:42:40Z)
Inverse Learning of Symmetries [71.62109774068064]
2つの潜在部分空間からなるモデルで対称性変換を学ぶ。我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
論文参考訳（メタデータ） (2020-02-07T13:48:52Z)

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。