論文の概要: MatWheel: Addressing Data Scarcity in Materials Science Through Synthetic Data

• arxiv url: http://arxiv.org/abs/2504.09152v1
• Date: Sat, 12 Apr 2025 09:31:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:49:22.167867
• Title: MatWheel: Addressing Data Scarcity in Materials Science Through Synthetic Data
• Title（参考訳）: MatWheel: 合成データによる材料科学におけるデータの空白に対処する
• Authors: Wentao Li, Yizhe Chen, Jiangjie Qiu, Xiaonan Wang,
• Abstract要約: 本研究では,条件生成モデルにより生成された合成データを用いて,材料特性予測モデルをトレーニングするMatWheelフレームワークを提案する。 条件付き生成モデルとしてCGCNN, 条件付き生成モデルとしてCon-CDVAEを用いて, Matminerデータベースから得られた2つのデータ・スカース・マテリアル・プロパティ・データセットの実験を行った。 以上の結果から, 合成データは, 2つのタスクのすべてにおいて, 実データに近い, あるいはそれを超える性能を達成できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 3.320083969342978
• License:
• Abstract: Data scarcity and the high cost of annotation have long been persistent challenges in the field of materials science. Inspired by its potential in other fields like computer vision, we propose the MatWheel framework, which train the material property prediction model using the synthetic data generated by the conditional generative model. We explore two scenarios: fully-supervised and semi-supervised learning. Using CGCNN for property prediction and Con-CDVAE as the conditional generative model, experiments on two data-scarce material property datasets from Matminer database are conducted. Results show that synthetic data has potential in extreme data-scarce scenarios, achieving performance close to or exceeding that of real samples in all two tasks. We also find that pseudo-labels have little impact on generated data quality. Future work will integrate advanced models and optimize generation conditions to boost the effectiveness of the materials data flywheel.
• Abstract（参考訳）: データ不足とアノテーションの高コストは、長い間、材料科学の分野において永続的な課題であった。 計算機ビジョンなどの他の分野でのポテンシャルに触発されて,条件生成モデルによって生成された合成データを用いて材料特性予測モデルをトレーニングするMatWheelフレームワークを提案する。 完全教師付き学習と半教師付き学習の2つのシナリオについて検討する。 条件付き生成モデルとしてCGCNN, 条件付き生成モデルとしてCon-CDVAEを用いて, Matminerデータベースから得られた2つのデータ・スカース・マテリアル・プロパティ・データセットの実験を行った。 以上の結果から, 合成データは, 2つのタスクのすべてにおいて, 実データに近い, あるいはそれを超える性能を達成できる可能性が示唆された。 また、擬似ラベルは生成されたデータ品質にはほとんど影響しない。 今後は、高度なモデルを統合し、生成条件を最適化し、材料データフライホイールの有効性を高める予定である。

関連論文リスト

• Towards Data-Efficient Pretraining for Atomic Property Prediction [51.660835328611626]
  タスク関連データセットでの事前トレーニングは、大規模な事前トレーニングと一致するか、あるいは超える可能性があることを示す。 本稿では,コンピュータビジョンのFr'echet Inception Distanceにインスパイアされた,化学類似度指数(CSI)を紹介する。
  論文  参考訳（メタデータ） (2025-02-16T11:46:23Z)
• Generating Realistic Tabular Data with Large Language Models [49.03536886067729]
  大規模言語モデル(LLM)は多様なタスクに使われてきたが、特徴と対象変数の正確な相関は捉えていない。 そこで本研究では,LLMに基づく3つの重要な改良を加えて,実データの特徴クラス相関を正しく把握する手法を提案する。 実験の結果,本手法は下流タスクにおいて,20個のデータセット上で10個のSOTAベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-10-29T04:14:32Z)
• Collapse or Thrive? Perils and Promises of Synthetic Data in a Self-Generating World [19.266191284270793]
  生成機械学習モデルは、以前のモデルによって生成されたデータを含むWebスケールデータセットで事前訓練される。 先行研究の中には、ウェブが合成データに圧倒されているため、"モデル崩壊"を警告するものもある。 本稿では,3つの生成モデルタスクセットにまたがるデータ(トレーニング・ワークフロー)の3つの使い方について実験を行った。
  論文  参考訳（メタデータ） (2024-10-22T05:49:24Z)
• Beyond Model Collapse: Scaling Up with Synthesized Data Requires Verification [11.6055501181235]
  モデル崩壊防止のための合成データに対する検証手法について検討する。 検証器は、たとえ不完全なものであっても、モデル崩壊を防ぐために実際に活用できることが示される。
  論文  参考訳（メタデータ） (2024-06-11T17:46:16Z)
• Enhancing Indoor Temperature Forecasting through Synthetic Data in Low-Data Environments [42.8983261737774]
  合成データ生成のためのSoTA AI を用いたデータ拡張手法の有効性について検討する。 そこで本研究では,実データと合成データの融合戦略を探求し,予測モデルの改善を図る。
  論文  参考訳（メタデータ） (2024-06-07T12:36:31Z)
• Simulation-Enhanced Data Augmentation for Machine Learning Pathloss Prediction [9.664420734674088]
  本稿では,機械学習パスロス予測のための新しいシミュレーション強化データ拡張手法を提案する。 本手法は,細胞被覆シミュレータから生成した合成データと,独立して収集した実世界のデータセットを統合する。 合成データの統合は、異なる環境におけるモデルの一般化可能性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-02-03T00:38:08Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• Comparing Test Sets with Item Response Theory [53.755064720563]
  我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。 Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。 また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
  論文  参考訳（メタデータ） (2021-06-01T22:33:53Z)

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。