論文の概要: Variational autoencoders understand knot topology

• arxiv url: http://arxiv.org/abs/2504.04179v1
• Date: Sat, 05 Apr 2025 13:55:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:08:49.905773
• Title: Variational autoencoders understand knot topology
• Title（参考訳）: 変分オートエンコーダによる結び目トポロジーの理解
• Authors: Anna Braghetto, Sumanta Kundu, Marco Baiesi, Enzo Orlandini,
• Abstract要約: 結び目分類のためのハイブリッド型教師あり/教師なし機械学習手法を提案する。 その潜在表現における結び目の巧妙な構成は、VAECが複雑なトポロジカルな概念を把握したことを示唆している。 本研究は, 絡み合ったフィラメントのトポロジカルな特徴を捉えるために, ハイブリッド型教師付き生成型MLアルゴリズムの有効性を示すものである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Supervised machine learning (ML) methods are emerging as valid alternatives to standard mathematical methods for identifying knots in long, collapsed polymers. Here, we introduce a hybrid supervised/unsupervised ML approach for knot classification based on a variational autoencoder enhanced with a knot type classifier (VAEC). The neat organization of knots in its latent representation suggests that the VAEC, only based on an arbitrary labeling of three-dimensional configurations, has grasped complex topological concepts such as chirality, unknotting number, braid index, and the grouping in families such as achiral, torus, and twist knots. The understanding of topological concepts is confirmed by the ability of the VAEC to distinguish the chirality of knots $9_{42}$ and $10_{71}$ not used for its training and with a notoriously undetected chirality to standard tools. The well-organized latent space is also key for generating configurations with the decoder that reliably preserves the topology of the input ones. Our findings demonstrate the ability of a hybrid supervised-generative ML algorithm to capture different topological features of entangled filaments and to exploit this knowledge to faithfully reconstruct or produce new knotted configurations without simulations.
• Abstract（参考訳）: 機械学習(ML)手法は、長い崩壊したポリマー中の結び目を特定するための標準的な数学的手法の有効な代替手段として出現している。 本稿では,ノット型分類器(VAEC)で強化された変分オートエンコーダに基づく,ノット分類のためのハイブリッド教師なしML手法を提案する。 3次元構成の任意のラベル付けにのみ基づき、VAECがカイラリティ、カンノッティング数、ブレイド指数、アキラル、トーラス、ツイストノットなどの族におけるグループ化といった複雑な位相的概念を把握したことを示唆している。 トポロジカルな概念の理解は、VAECがトレーニングに使用せず、標準ツールに未検出のキラリティーで、9_{42}$と10_{71}$のキラリティーを区別する能力によって確認される。 適切に整理された潜在空間は、入力した空間の位相を確実に保存するデコーダで構成を生成するための鍵でもある。 本研究は, 交絡フィラメントの異なるトポロジカル特徴を抽出し, この知識を活用して, シミュレーションなしで新しい結び目構造を忠実に再構築し, 創出できることを実証するものである。

関連論文リスト

• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Uncertainty Quantification using Generative Approach [4.4858968464373845]
  本稿では,深いニューラルネットワークにおける不確実性を測定するためのインクリメンタル生成モンテカルロ法を提案する。 IGMCは生成モデルを反復的に訓練し、その出力をデータセットに追加し、ランダム変数の期待の後方分布を計算する。 MNIST桁分類タスクにおけるIGMCの挙動を実証的に研究する。
  論文  参考訳（メタデータ） (2023-10-13T18:05:25Z)
• CoarsenConf: Equivariant Coarsening with Aggregated Attention for Molecular Conformer Generation [3.31521245002301]
  本稿では, 反角に基づく分子グラフをSE(3)等価な階層的変分オートエンコーダに統合するCoarsenConfを紹介する。 等変粗粒化により、回転可能な結合を介して連結された部分グラフの微細な原子座標を集約し、可変長粗粒化潜在表現を生成する。 本モデルでは, 粗粒の潜在表現から細粒度座標を復元する新しいアグリゲートアテンション機構を用いて, 正確なコンフォメータを効率よく生成する。
  論文  参考訳（メタデータ） (2023-06-26T17:02:54Z)
• Deep Learning From Crowdsourced Labels: Coupled Cross-entropy Minimization, Identifiability, and Regularization [21.32957828106532]
  ディープラーニングベースのエンドツーエンド(E2E)システムは、複数のアノテーションからノイズの多いクラウドソースラベルを使用する。 多くのE2Eシステムは、複数のアノテータ特異的ラベル混乱'層でニューラル分類器を共同で訓練する。 本研究は、CCEM基準とCCEMの2つの規則化された変種の性能保証を示す。
  論文  参考訳（メタデータ） (2023-06-05T22:21:26Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Joint Optimization of an Autoencoder for Clustering and Embedding [22.16059261437617]
  本稿では,自動エンコーダとクラスタリングを同時に学習する代替手法を提案する。 この単純なニューラルネットワークはクラスタリングモジュールと呼ばれ、ディープオートエンコーダに統合され、ディープクラスタリングモデルとなる。
  論文  参考訳（メタデータ） (2020-12-07T14:38:10Z)
• Dissimilarity Mixture Autoencoder for Deep Clustering [0.0]
  異種混合オートエンコーダ(DMAE)は、特徴ベースのクラスタリングのためのニューラルネットワークモデルである。 DMAEはディープラーニングアーキテクチャをエンドツーエンドモデルに統合することができる。
  論文  参考訳（メタデータ） (2020-06-15T07:08:59Z)

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。