論文の概要: PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2505.19320v1
• Date: Sun, 25 May 2025 21:12:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.053261
• Title: PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders
• Title（参考訳）: PIGPVAE:物理インフォームドガウス過程変分オートエンコーダ
• Authors: Michail Spitieris, Massimiliano Ruocco, Abdulmajid Murad, Alessandro Nocente,
• Abstract要約: 本稿では,物理制約を組み込んでデータから学習し,性能を向上させる新しい生成モデルを提案する。 生成過程に物理モデルを組み込むことで、VAEアーキテクチャを拡張し、基礎となるダイナミクスをより効果的に捉えることができる。 我々はPIGPVAEが観測された分布を超えて現実的なサンプルを作成できることを示した。
• 参考スコア（独自算出の注目度）: 42.8983261737774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative AI offer promising solutions for synthetic data generation but often rely on large datasets for effective training. To address this limitation, we propose a novel generative model that learns from limited data by incorporating physical constraints to enhance performance. Specifically, we extend the VAE architecture by incorporating physical models in the generative process, enabling it to capture underlying dynamics more effectively. While physical models provide valuable insights, they struggle to capture complex temporal dependencies present in real-world data. To bridge this gap, we introduce a discrepancy term to account for unmodeled dynamics, represented within a latent Gaussian Process VAE (GPVAE). Furthermore, we apply regularization to ensure the generated data aligns closely with observed data, enhancing both the diversity and accuracy of the synthetic samples. The proposed method is applied to indoor temperature data, achieving state-of-the-art performance. Additionally, we demonstrate that PIGPVAE can produce realistic samples beyond the observed distribution, highlighting its robustness and usefulness under distribution shifts.
• Abstract（参考訳）: 生成AIの最近の進歩は、合成データ生成のための有望なソリューションを提供するが、しばしば効果的なトレーニングのために大規模なデータセットに依存している。 この制限に対処するために,物理制約を組み込んでデータから学習し,性能を向上させる新しい生成モデルを提案する。 具体的には、生成過程に物理モデルを組み込むことでVAEアーキテクチャを拡張し、基礎となるダイナミクスをより効果的に捉えることができる。 物理モデルは貴重な洞察を提供するが、現実世界のデータに存在する複雑な時間的依存関係を捉えるのに苦労する。 このギャップを埋めるために、我々は未モデル化の力学を考慮に入れ、潜在ガウス過程VAE (GPVAE) で表される相違項を導入する。 さらに, 生成したデータと観測データとの整合性を確保するために正規化を適用し, 合成試料の多様性と精度を両立させる。 提案手法は室内温度データに適用し,最先端性能を実現する。 さらに,PIGPVAEは観測された分布を超えて現実的なサンプルを生成できることを示し,分布シフトによる頑健さと有用性を強調した。

関連論文リスト

• Generative Modeling of Random Fields from Limited Data via Constrained Latent Flow Matching [0.0]
  深層生成モデルは、科学と工学のための有望なツールであるが、その豊富な高品質のデータへの依存は適用性を制限する。 本稿では,限定的,スパース的,間接的データを補うために,ドメイン知識を取り入れたランダムフィールドの生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-05-19T11:47:44Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Latent mixed-effect models for high-dimensional longitudinal data [6.103940626659986]
  LMM-VAEは,長手データに対するスケーラブルで解釈可能で識別可能なモデルである。 我々は,GPに基づく手法と理論的な関係を強調し,この手法の統一的な枠組みを提供する。
  論文  参考訳（メタデータ） (2024-09-17T09:16:38Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Synthetic Face Datasets Generation via Latent Space Exploration from Brownian Identity Diffusion [20.352548473293993]
  顔認識(FR)モデルは、プライバシと倫理的懸念のある大規模データセットでトレーニングされている。 近年,FRモデルのトレーニングのために,合成データを用いて真のデータを補完あるいは置き換えることが提案されている。 ブラウン力を受ける軟質粒子の物理運動にインスパイアされた新しい手法を導入し, 様々な制約の下で潜在空間の正体をサンプリングする。 これを使って、いくつかの顔データセットを生成し、FRモデルをトレーニングすることでそれらをベンチマークし、我々のメソッドで生成されたデータは、以前のGANベースのデータセットのパフォーマンスを超え、現状と競合するパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-04-30T22:32:02Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• A Bayesian Gaussian Process-Based Latent Discriminative Generative Decoder (LDGD) Model for High-Dimensional Data [0.41942958779358674]
  潜在判別生成デコーダ(LDGD)は、多様体発見過程において、データと関連するラベルの両方を用いる。 LDGDは,データサイズに制限のあるシナリオに対して,多様体を頑健に推論し,正確にラベルを予測することができることを示す。
  論文  参考訳（メタデータ） (2024-01-29T19:11:03Z)
• CoCoGen: Physically-Consistent and Conditioned Score-based Generative Models for Forward and Inverse Problems [1.0923877073891446]
  この研究は生成モデルの到達範囲を物理的問題領域に拡張する。 基礎となるPDEとの整合性を促進するための効率的なアプローチを提案する。 各種物理課題におけるスコアベース生成モデルの可能性と汎用性を示す。
  論文  参考訳（メタデータ） (2023-12-16T19:56:10Z)

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。