論文の概要: Network scaling and scale-driven loss balancing for intelligent poroelastography

• arxiv url: http://arxiv.org/abs/2411.08886v1
• Date: Sun, 27 Oct 2024 23:06:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-17 09:01:59.589667
• Title: Network scaling and scale-driven loss balancing for intelligent poroelastography
• Title（参考訳）: インテリジェントポロエラストグラフィーのためのネットワークスケーリングとスケール駆動型損失分散
• Authors: Yang Xu, Fatemeh Pourahmadian,
• Abstract要約: フルウェーブフォームデータからポリ弾性媒体のマルチスケールキャラクタリゼーションのためのディープラーニングフレームワークを開発した。 2つの大きな課題は、この目的のために既存の最先端技術を直接適用することを妨げる。 本稿では, ニューラルネットワークをスケーリング層に構成した単位形状関数を用いて, ニューラルプロパティマップを構築する, エンフェネティックスケーリングの考え方を提案する。
• 参考スコア（独自算出の注目度）: 2.665036498336221
• License:
• Abstract: A deep learning framework is developed for multiscale characterization of poroelastic media from full waveform data which is known as poroelastography. Special attention is paid to heterogeneous environments whose multiphase properties may drastically change across several scales. Described in space-frequency, the data takes the form of focal solid displacement and pore pressure fields in various neighborhoods furnished either by reconstruction from remote data or direct measurements depending on the application. The objective is to simultaneously recover the six hydromechanical properties germane to Biot equations and their spatial distribution in a robust and efficient manner. Two major challenges impede direct application of existing state-of-the-art techniques for this purpose: (i) the sought-for properties belong to vastly different and potentially uncertain scales, and~(ii) the loss function is multi-objective and multi-scale (both in terms of its individual components and the total loss). To help bridge the gap, we propose the idea of \emph{network scaling} where the neural property maps are constructed by unit shape functions composed into a scaling layer. In this model, the unknown network parameters (weights and biases) remain of O(1) during training. This forms the basis for explicit scaling of the loss components and their derivatives with respect to the network parameters. Thereby, we propose the physics-based \emph{dynamic scaling} approach for adaptive loss balancing. The idea is first presented in a generic form for multi-physics and multi-scale PDE systems, and then applied through a set of numerical experiments to poroelastography. The results are presented along with reconstructions by way of gradient normalization (GradNorm) and Softmax adaptive weights (SoftAdapt) for loss balancing. A comparative analysis of the methods and corresponding results is provided.
• Abstract（参考訳）: ポリエラストグラフィー(poroelastography)として知られる全波形データから多段階のポリ弾性媒質のキャラクタリゼーションを行うためのディープラーニングフレームワークを開発した。 様々なスケールで多相特性が劇的に変化する異種環境に特に注意が払われる。 空間周波数で記述されたデータは、リモートデータからの再構成や、適用による直接測定によって提供される様々な地区の焦点固体変位と細孔圧力場の形を取る。 目的は,6つの流体力学特性をBiot方程式とそれらの空間分布を,頑健で効率的な方法で同時に回収することである。 2つの大きな課題は、この目的のために既存の最先端技術を直接適用することを妨げる。 (i)探す性質は、大きく異なっており、潜在的に不確実なスケールに属し、〜 (2)損失関数は多目的・多目的(各成分と総損失の両方)である。 このギャップを埋めるために、ニューラルネットワークのプロパティマップをスケーリング層に構成した単位形状関数で構築する「emph{network scaling}」というアイデアを提案する。 このモデルでは、トレーニング中に未知のネットワークパラメータ(重みとバイアス)がO(1)に残っています。 これはネットワークパラメータに対する損失成分とその導関数の明示的なスケーリングの基礎を形成する。 そこで本研究では,適応的損失分散のための物理に基づく 'emph{dynamic scale} アプローチを提案する。 このアイデアは最初、多物理および多スケールPDEシステムのための一般的な形式で提示され、その後、数値実験を通じてポロエラストグラフィーに適用された。 その結果, 損失分散のための勾配正規化法(GradNorm)とSoftmax適応重み法(SoftAdapt)を用いて再構成を行った。 方法の比較分析とそれに対応する結果を提供する。

関連論文リスト

• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• Physics-informed UNets for Discovering Hidden Elasticity in Heterogeneous Materials [0.0]
  弾性インバージョンのための新しいUNetベースニューラルネットワークモデル(El-UNet)を開発した。 完全接続された物理インフォームドニューラルネットワークと比較して,El-UNetによる精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-01T23:35:03Z)
• Deep learning for full-field ultrasonic characterization [7.120879473925905]
  本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。 直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
  論文  参考訳（メタデータ） (2023-01-06T05:01:05Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• The activity-weight duality in feed forward neural networks: The geometric determinants of generalization [7.372592187197655]
  ニューロンの特定の層における活動の変化と、任意のフィードフォワード神経ネットワーク内の密結合層内のニューロンの次の層に接続する重みの変化の間には、正確な双対性がある。 これらの洞察は、過度にパラメータ化されたニューラルネットワークでより一般化可能なソリューションを見つけるアルゴリズムの開発を導くのに使うことができる。
  論文  参考訳（メタデータ） (2022-03-21T05:00:54Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Data vs. Physics: The Apparent Pareto Front of Physics-Informed Neural Networks [8.487185704099925]
  物理インフォームドニューラルネットワーク(PINN)は、有望なディープラーニング手法として登場した。 PINNは訓練が困難であり、データと物理損失関数を組み合わせた場合、損失重み付けを慎重に調整する必要があることが多い。
  論文  参考訳（メタデータ） (2021-05-03T13:47:45Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)
• Meshless physics-informed deep learning method for three-dimensional solid mechanics [0.0]
  深層学習とコロケーション法は統合され、構造の変形を記述する偏微分方程式を解くために用いられる。 我々は, 線形弾性, 変形が大きい過弾性(ネオ・フーカン), 等方的およびキネマティック硬化を有するフォン・ミーゼス塑性の2種類の材料について検討した。
  論文  参考訳（メタデータ） (2020-12-02T21:40:37Z)
• Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
  我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。 次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。 最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。 本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
  論文  参考訳（メタデータ） (2020-08-25T06:00:06Z)
• Semiparametric Nonlinear Bipartite Graph Representation Learning with Provable Guarantees [106.91654068632882]
  半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。 提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。 我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
  論文  参考訳（メタデータ） (2020-03-02T16:40:36Z)

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。