論文の概要: Continuity-Preserving Convolutional Autoencoders for Learning Continuous Latent Dynamical Models from Images

• arxiv url: http://arxiv.org/abs/2502.00754v1
• Date: Sun, 02 Feb 2025 11:31:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:02:24.712577
• Title: Continuity-Preserving Convolutional Autoencoders for Learning Continuous Latent Dynamical Models from Images
• Title（参考訳）: 画像からの連続潜時動的モデル学習のための連続保存畳み込みオートエンコーダ
• Authors: Aiqing Zhu, Yuting Pan, Qianxiao Li,
• Abstract要約: 連続力学系は多くの科学と工学の分野の基礎となっている。 本稿では,連続潜時状態とそれに対応する連続潜時動的モデルを離散画像フレームから学習するための連続保存畳み込みオートエンコーダ(CpAE)を提案する。
• 参考スコア（独自算出の注目度）: 12.767281330110626
• License:
• Abstract: Continuous dynamical systems are cornerstones of many scientific and engineering disciplines. While machine learning offers powerful tools to model these systems from trajectory data, challenges arise when these trajectories are captured as images, resulting in pixel-level observations that are discrete in nature. Consequently, a naive application of a convolutional autoencoder can result in latent coordinates that are discontinuous in time. To resolve this, we propose continuity-preserving convolutional autoencoders (CpAEs) to learn continuous latent states and their corresponding continuous latent dynamical models from discrete image frames. We present a mathematical formulation for learning dynamics from image frames, which illustrates issues with previous approaches and motivates our methodology based on promoting the continuity of convolution filters, thereby preserving the continuity of the latent states. This approach enables CpAEs to produce latent states that evolve continuously with the underlying dynamics, leading to more accurate latent dynamical models. Extensive experiments across various scenarios demonstrate the effectiveness of CpAEs.
• Abstract（参考訳）: 連続力学系は多くの科学と工学の分野の基礎となっている。 機械学習は、これらのシステムを軌跡データからモデル化する強力なツールを提供するが、これらの軌跡を画像として捉えたときに困難が生じ、自然界で異なるピクセルレベルの観察が生まれる。 結果として、畳み込みオートエンコーダのナイーブな応用は、時間内に不連続な遅延座標をもたらす可能性がある。 これを解決するために,連続潜時状態とそれに対応する連続潜時動的モデルを離散画像フレームから学習するための連続保存畳み込みオートエンコーダ(CpAE)を提案する。 本稿では,画像フレームからダイナミックスを学習するための数学的定式化について述べるとともに,畳み込みフィルタの連続性を促進することによって,潜伏状態の連続性を保ちながら,我々の方法論を動機づける。 このアプローチにより、CpAEは基礎となる力学と連続的に進化する潜伏状態を生成することができ、より正確な潜伏力学モデルを生み出す。 様々なシナリオにわたる大規模な実験は、CpAEの有効性を示す。

関連論文リスト

• Neural SDEs as a Unified Approach to Continuous-Domain Sequence Modeling [3.8980564330208662]
  本稿では,連続シーケンスモデリングに対する新しい直感的なアプローチを提案する。 本手法は, 時系列データを, 基礎となる連続力学系からのtextitdiscrete サンプルとして解釈する。 我々は、ニューラルネットワークSDEモデルの効率的なトレーニングのための、最大原理的目的とテクスティシミュレーションなしスキームを導出する。
  論文  参考訳（メタデータ） (2025-01-31T03:47:22Z)
• Community-Aware Temporal Walks: Parameter-Free Representation Learning on Continuous-Time Dynamic Graphs [3.833708891059351]
  Community-Aware Temporal Walks (CTWalks)は、連続時間動的グラフ上での表現学習のための新しいフレームワークである。 CTWalksは、コミュニティベースのパラメータフリー時間ウォークサンプリング機構、コミュニティラベルに富んだ匿名化戦略、エンコーディングプロセスを統合する。 ベンチマークデータセットの実験では、CTWalksは時間リンク予測タスクにおいて確立された手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-21T04:16:46Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Learning In-between Imagery Dynamics via Physical Latent Spaces [0.7366405857677226]
  本稿では,連続した時間ステップで観察される2つの画像間の基礎となるダイナミクスを学習するためのフレームワークを提案する。 偏微分方程式(PDE)で表される物理モデルに従う潜在変数を組み込むことにより,本手法は学習モデルの解釈可能性を保証する。 地質画像データを用いた数値実験により,学習フレームワークの堅牢性と有効性を示す。
  論文  参考訳（メタデータ） (2023-10-14T05:14:51Z)
• Neural Continuous-Discrete State Space Models for Irregularly-Sampled Time Series [18.885471782270375]
  NCDSSMは補助変数を用いて力学からの認識をアンタングルし、補助変数のみに償却推論を必要とする。 本稿では、潜在力学の3つのフレキシブルパラメータ化と、推論中の動的状態の辺りを生かした効率的な学習目標を提案する。 複数のベンチマークデータセットの実証結果は、既存のモデルよりもNCDSSMの計算性能と予測性能が改善されたことを示している。
  論文  参考訳（メタデータ） (2023-01-26T18:45:04Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Continuous Latent Process Flows [47.267251969492484]
  任意の時間スタンプにおける連続時系列ダイナミクスの部分的な観察は多くの分野に存在する。このタイプのデータに連続力学を用いた統計モデルを適用することは、直感的なレベルで有望であるだけでなく、実用的な利点もある。 微分方程式によって駆動される時間依存正規化フローを用いて、連続潜時プロセスを連続可観測プロセスに復号する原則的アーキテクチャである連続潜時プロセスフロー(CLPF)を用いて、これらの課題に取り組む。 我々のアブレーション研究は、不規則な時間グリッド上での様々な推論タスクへの貢献の有効性を実証している。
  論文  参考訳（メタデータ） (2021-06-29T17:16:04Z)
• Causal Navigation by Continuous-time Neural Networks [108.84958284162857]
  本研究では,連続時間ニューラルネットワークを用いた因果表現学習のための理論的,実験的枠組みを提案する。 本手法は,ドローンの視覚制御学習の文脈において,一連の複雑なタスクにおいて評価する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:32Z)
• Value Iteration in Continuous Actions, States and Time [99.00362538261972]
  連続状態と動作に対する連続的適合値反復(cFVI)アルゴリズムを提案する。 非線形制御アフィンダイナミクスに対して最適なポリシを導出することができる。 物理システムのビデオは、urlhttps://sites.google.com/view/value-iteration.comで入手できる。
  論文  参考訳（メタデータ） (2021-05-10T21:40:56Z)
• Learning Temporal Dynamics from Cycles in Narrated Video [85.89096034281694]
  時が経つにつれて世界がどのように変化するかをモデル化する学習問題に対する自己監督型ソリューションを提案します。 私たちのモデルは、前方および後方の時間を予測するためにモダリティに依存しない関数を学習します。 将来的な動作の予測や画像の時間的順序付けなど,様々なタスクに対して,学習されたダイナミクスモデルを適用する。
  論文  参考訳（メタデータ） (2021-01-07T02:41:32Z)

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。