論文の概要: Deep Learning Improvements for Sparse Spatial Field Reconstruction

• arxiv url: http://arxiv.org/abs/2408.12531v1
• Date: Thu, 22 Aug 2024 16:32:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 13:12:21.468147
• Title: Deep Learning Improvements for Sparse Spatial Field Reconstruction
• Title（参考訳）: 空間空間再構成のための深層学習の改良
• Authors: Robert Sunderhaft, Logan Frank, Jim Davis,
• Abstract要約: 地球科学や流体力学といったいくつかの領域では、スパースデータから地球空間領域を正確に再構築することが長年の問題となっている。 機械学習(ML)の普及に伴い、いくつかの研究者が空間場再構成タスクにMLを適用し、計算効率の向上を観察している。 本研究では,上記のアプローチに対する複数の調整を提案し,地球科学および流体力学シミュレーションデータセットの改善を示す。
• 参考スコア（独自算出の注目度）: 4.096453902709292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately reconstructing a global spatial field from sparse data has been a longstanding problem in several domains, such as Earth Sciences and Fluid Dynamics. Historically, scientists have approached this problem by employing complex physics models to reconstruct the spatial fields. However, these methods are often computationally intensive. With the increase in popularity of machine learning (ML), several researchers have applied ML to the spatial field reconstruction task and observed improvements in computational efficiency. One such method in arXiv:2101.00554 utilizes a sparse mask of sensor locations and a Voronoi tessellation with sensor measurements as inputs to a convolutional neural network for reconstructing the global spatial field. In this work, we propose multiple adjustments to the aforementioned approach and show improvements on geoscience and fluid dynamics simulation datasets. We identify and discuss scenarios that benefit the most using the proposed ML-based spatial field reconstruction approach.
• Abstract（参考訳）: 地球科学や流体力学といったいくつかの領域では、スパースデータから地球空間領域を正確に再構築することが長年の問題となっている。 歴史的に、科学者は複雑な物理モデルを用いて空間場を再構築することでこの問題にアプローチしてきた。 しかし、これらの手法はしばしば計算集約的である。 機械学習(ML)の普及に伴い、いくつかの研究者が空間場再構成タスクにMLを適用し、計算効率の向上を観察している。 arXiv:2101.00554におけるそのような方法の1つは、センサ位置のスパースマスクと、センサ測定によるボロノイテッセルレーションを、大域空間空間を再構築するための畳み込みニューラルネットワークへの入力として利用する。 本研究では,上記のアプローチに対する複数の調整を提案し,地球科学および流体力学シミュレーションデータセットの改善を示す。 本稿では,MLに基づく空間空間再構成手法を用いて,最も有用なシナリオを特定し,議論する。

関連論文リスト

• Continuous Field Reconstruction from Sparse Observations with Implicit Neural Networks [11.139052252214917]
  この研究は、暗黙の神経表現を用いて物理場の連続的な表現を学ぶ新しいアプローチを示す。 実験により,提案手法は最近のINR法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-01-21T22:18:29Z)
• Data Augmentations in Deep Weight Spaces [89.45272760013928]
  そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。 既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2023-11-15T10:43:13Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• RecFNO: a resolution-invariant flow and heat field reconstruction method from sparse observations via Fourier neural operator [8.986743262828009]
  本稿では,RecFNOという優れた性能とメッシュ転送性を備えたエンド・ツー・エンドの物理場再構成手法を提案する。 提案手法は, スパース観測から無限次元空間における流れと熱場への写像を学習することを目的としている。 流体力学および熱力学に関する実験により,提案手法は既存のPOD法およびCNN法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-02-20T07:20:22Z)
• Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
  そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。 本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。 得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
  論文  参考訳（メタデータ） (2022-06-28T12:43:38Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• Unraveled Multilevel Transformation Networks for Predicting Sparsely-Observed Spatiotemporal Dynamics [12.627823168264209]
  疎分散データサイトからのデータを用いて未知のダイナミクスを予測するモデルを提案する。 合成気候データと実世界の気候データの両方を用いて、我々のアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2022-03-16T14:44:05Z)
• Improved Padding in CNNs for Quantitative Susceptibility Mapping [5.421615560456378]
  ニューラルネットワークのボリューム境界における特徴写像の無効なボクセルを推定するために、隣接する有効なボクセルを利用する改良されたパディング手法を提案する。 シミュレーションおよびin-vivoデータを用いた研究により,提案パディングにより推定精度が大幅に向上し,背景フィールド除去,フィールド・ソース・インバージョン,シングルステップQSM再構成といったタスクにおける成果の成果が低減されることが示された。
  論文  参考訳（メタデータ） (2021-06-21T01:35:00Z)
• DeepMerge II: Building Robust Deep Learning Algorithms for Merging Galaxy Identification Across Domains [0.0]
  天文学では、ニューラルネットワークはしばしばシミュレーションデータで訓練され、望遠鏡の観測に使用されます。 従来の深層学習アルゴリズムと比較して,各領域適応手法の追加により分類器の性能が向上することを示した。 この2つの例は、遠方の銀河の2つのIllustris-1シミュレーションデータセットと、近くの銀河のシミュレーションデータとSloan Digital Sky Surveyの観測データである。
  論文  参考訳（メタデータ） (2021-03-02T00:24:10Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)

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。

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。