論文の概要: Automated transport separation using the neural shifted proper orthogonal decomposition

• arxiv url: http://arxiv.org/abs/2407.17539v1
• Date: Wed, 24 Jul 2024 10:47:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-26 18:08:23.875757
• Title: Automated transport separation using the neural shifted proper orthogonal decomposition
• Title（参考訳）: ニューラルシフト固有直交分解を用いた自動輸送分離
• Authors: Beata Zorawski, Shubhaditya Burela, Philipp Krah, Arthur Marmin, Kai Schneider,
• Abstract要約: 本稿では,輸送支配領域の分解のためのニューラルネットワークに基づく手法を提案する。 ニューラルネットワークを用いて、トランスポートとコムーブメントの両方を同時に推定する。 合成データと野生の火災モデルへの応用は、このニューラルsPODアプローチの能力と効率を説明している。
• 参考スコア（独自算出の注目度）: 1.8058773918890538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a neural network-based methodology for the decomposition of transport-dominated fields using the shifted proper orthogonal decomposition (sPOD). Classical sPOD methods typically require an a priori knowledge of the transport operators to determine the co-moving fields. However, in many real-life problems, such knowledge is difficult or even impossible to obtain, limiting the applicability and benefits of the sPOD. To address this issue, our approach estimates both the transport and co-moving fields simultaneously using neural networks. This is achieved by training two sub-networks dedicated to learning the transports and the co-moving fields, respectively. Applications to synthetic data and a wildland fire model illustrate the capabilities and efficiency of this neural sPOD approach, demonstrating its ability to separate the different fields effectively.
• Abstract（参考訳）: 本稿では,SPOD を用いた輸送支配領域の分解のためのニューラルネットワークに基づく手法を提案する。 古典的なsPOD法は通常、移動場を決定するために輸送作用素の事前知識を必要とする。 しかし、現実の多くの問題において、そのような知識は入手が困難または不可能であり、sPODの適用性と利点を制限している。 この問題に対処するために,我々はニューラルネットワークを用いて移動場と協調移動場を同時に推定する。 これは、輸送と共同移動の分野を学ぶための2つのサブネットワークをトレーニングすることで達成される。 合成データや野生の火災モデルへの応用は、このニューラルsPODアプローチの能力と効率を示し、異なるフィールドを効果的に分離する能力を示している。

関連論文リスト

• Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
  本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。 物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
  論文  参考訳（メタデータ） (2024-07-10T17:39:50Z)
• DeltaPhi: Learning Physical Trajectory Residual for PDE Solving [54.13671100638092]
  我々は,物理軌道残差学習(DeltaPhi)を提案し,定式化する。 既存のニューラル演算子ネットワークに基づく残差演算子マッピングのサロゲートモデルについて学習する。 直接学習と比較して,PDEの解法には物理残差学習が望ましいと結論づける。
  論文  参考訳（メタデータ） (2024-06-14T07:45:07Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Single Domain Generalization via Normalised Cross-correlation Based Convolutions [14.306250516592304]
  単一ドメインの一般化は、単一のソースからのデータを使用して堅牢なモデルをトレーニングすることを目的としている。 本稿では、重みと入力特徴パッチの間の正規化相互相関を計算するXCNormという演算子を提案する。 この演算子で構成されるディープニューラルネットワークは、一般的な意味分布シフトに対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-07-12T04:15:36Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• MetaNO: How to Transfer Your Knowledge on Learning Hidden Physics [39.83408993820245]
  本稿では,パラメータの異なる(未知の)PDE間で解演算子の知識を伝達する手法として,ニューラル演算子のメタラーニング手法を提案する。 我々のアプローチは、複数のPDE問題解決タスクに対する証明可能な普遍解演算子であり、基礎となるパラメータフィールドをニューラルネットワークモデルの第1層で捉えることができるという重要な理論的な観察である。 応用として,本手法が複雑で非線形な物理応答学習タスクを処理できると同時に,未確認タスクのサンプリング効率を大幅に改善できることを示す,PDEベースのデータセットと実世界の物質モデリング問題に対する提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-01-28T05:30:51Z)
• ECLAD: Extracting Concepts with Local Aggregated Descriptors [6.470466745237234]
  そこで本研究では,CNNアクティベーションマップの画素ワイドアグリゲーションから得られた表現に基づいて,概念の自動抽出とローカライズを行う手法を提案する。 本稿では,主成分の画素単位のアノテーションを用いた合成データセットに基づく概念抽出手法の検証手法を提案する。
  論文  参考訳（メタデータ） (2022-06-09T14:25:23Z)
• Deep Optimal Transport for Domain Adaptation on SPD Manifolds [9.552869120136005]
  ニューロイメージングデータは、対称性と正の定性という数学的性質を持っている。 従来の領域適応法の適用は、これらの数学的性質が破壊される可能性があるため、困難である。 本稿では,境界分布と条件分布の差分を管理するための幾何学的深層学習に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-15T03:13:02Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Distant Transfer Learning via Deep Random Walk [7.957823585750222]
  本稿では,DeEp Random Walk basEd distaNt Transfer (DERWENT) 法を提案する。 データグラフ上のランダムウォーク手法によって同定されたシーケンスに基づいて、提案したDERWENTモデルは、類似した配列内の隣接データポイントを強制する。 いくつかのベンチマークデータセットに関する実証研究は、提案したDERWENTアルゴリズムが最先端の性能をもたらすことを示した。
  論文  参考訳（メタデータ） (2020-06-13T11:31:24Z)
• DEPARA: Deep Attribution Graph for Deep Knowledge Transferability [91.06106524522237]
  本稿では,PR-DNNから学んだ知識の伝達可能性を検討するために,DreP Attribution gRAph (DEPARA)を提案する。 DEPARAでは、ノードは入力に対応し、PR-DNNの出力に関してベクトル化された属性マップで表現される。 2つのPR-DNNの知識伝達性は、対応するDEPARAの類似性によって測定される。
  論文  参考訳（メタデータ） (2020-03-17T02:07:50Z)

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。