論文の概要: Fourier-Invertible Neural Encoder (FINE) for Homogeneous Flows

• arxiv url: http://arxiv.org/abs/2505.15329v1
• Date: Wed, 21 May 2025 10:02:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.432391
• Title: Fourier-Invertible Neural Encoder (FINE) for Homogeneous Flows
• Title（参考訳）: 均一流れに対するフーリエ可逆型ニューラルエンコーダ(FINE)
• Authors: Anqiao Ouyang, Hongyi Ke, Qi Wang,
• Abstract要約: 可逆ニューラルネットワークは、そのコンパクト性、解釈可能性、および情報保存特性に注目されている。 本稿では,可逆な単調活性化関数と可逆なフィルタ構造を組み合わせたフーリエ可逆ニューラルネットワーク(FINE)を提案する。
• 参考スコア（独自算出の注目度）: 4.095418032380801
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Invertible neural architectures have recently attracted attention for their compactness, interpretability, and information-preserving properties. In this work, we propose the Fourier-Invertible Neural Encoder (FINE), which combines invertible monotonic activation functions with reversible filter structures, and could be extended using Invertible ResNets. This architecture is examined in learning low-dimensional representations of one-dimensional nonlinear wave interactions and exact circular translation symmetry. Dimensionality is preserved across layers, except for a Fourier truncation step in the latent space, which enables dimensionality reduction while maintaining shift equivariance and interpretability. Our results demonstrate that FINE significantly outperforms classical linear methods such as Discrete Fourier Transformation (DFT) and Proper Orthogonal Decomposition (POD), and achieves reconstruction accuracy better than conventional deep autoencoders with convolutional layers (CNN) - while using substantially smaller models and offering superior physical interpretability. These findings suggest that invertible single-neuron networks, when combined with spectral truncation, offer a promising framework for learning compact and interpretable representations of physics datasets, and symmetry-aware representation learning in physics-informed machine learning.
• Abstract（参考訳）: 可逆的ニューラルアーキテクチャは、そのコンパクト性、解釈可能性、および情報保存特性に注目されている。 本研究では,可逆なモノトニックアクティベーション関数と可逆なフィルタ構造を組み合わせたフーリエ・可逆型ニューラルエンコーダ(FINE)を提案する。 このアーキテクチャは、一次元非線形波動相互作用と正確な円形変換対称性の低次元表現の学習において検討される。 次元性は、シフト等分散と解釈可能性を維持しながら次元性の減少を可能にする潜在空間におけるフーリエ切断ステップを除いて、層間に保存される。 その結果,FINE は離散フーリエ変換 (DFT) や固有直交分解 (POD) といった古典的線形手法よりも優れており,畳み込み層 (CNN) を持つ従来のディープオートエンコーダよりも再現精度が向上し,より小さなモデルを使用し,より優れた物理的解釈性が得られることを示した。 これらの結果から,非可逆的な単一ニューロンネットワークとスペクトルトランケーションを組み合わせることで,物理データセットのコンパクトかつ解釈可能な表現を学習するための有望なフレームワークと,物理インフォームド機械学習における対称性を考慮した表現学習を提供することが示唆された。

関連論文リスト

• OTLRM: Orthogonal Learning-based Low-Rank Metric for Multi-Dimensional Inverse Problems [14.893020063373022]
  学習可能な直交変換に基づく新しいデータ駆動型低ランクt-SVDモデルを提案する。 また、生成ネットワークの効率的な表現を利用して低ランク構造を得るSVTの一般化として低ランク解法を提案する。
  論文  参考訳（メタデータ） (2024-12-15T12:28:57Z)
• DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [60.58067866537143]
  本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。 経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Physics-embedded Fourier Neural Network for Partial Differential Equations [35.41134465442465]
  物理埋め込みフーリエニューラルネット(PeFNN)を柔軟かつ説明可能な誤差で導入する。 PeFNNは運動量保存を強制し、解釈可能な非線形表現を得るように設計されている。 我々は,大規模な洪水シミュレーションのような実世界のアプリケーションに挑戦する上で,その優れた性能を実証する。
  論文  参考訳（メタデータ） (2024-07-15T18:30:39Z)
• Domain Agnostic Fourier Neural Operators [15.29112632863168]
  本研究では,不規則なジオメトリと進化するドメインを持つサロゲートを学習するために,ドメインに依存しないフーリエニューラル演算子(DAFNO)を導入する。 鍵となる考え方は、FNOの積分層アーキテクチャに滑らかな特性関数を組み込むことである。 DAFNOはベースラインニューラル演算子モデルと比較して最先端の精度を達成した。
  論文  参考訳（メタデータ） (2023-04-30T13:29:06Z)
• 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)
• Convolutional Filtering and Neural Networks with Non Commutative Algebras [153.20329791008095]
  本研究では,非可換畳み込みニューラルネットワークの一般化について検討する。 非可換畳み込み構造は作用素空間上の変形に対して安定であることを示す。
  論文  参考訳（メタデータ） (2021-08-23T04:22:58Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)

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。