論文の概要: Adversarial Disentanglement by Backpropagation with Physics-Informed Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2506.13658v1
• Date: Mon, 16 Jun 2025 16:18:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.985794
• Title: Adversarial Disentanglement by Backpropagation with Physics-Informed Variational Autoencoder
• Title（参考訳）: 物理インフォームド変分オートエンコーダによる逆プロパゲーションによる逆絡
• Authors: Ioannis Christoforos Koune, Alice Cicirello,
• Abstract要約: 物理系の部分的な知識の下での推測と予測は困難である。 本稿では,物理モデルとデータ駆動モデルの柔軟性を組み合わせた物理インフォームド変分オートエンコーダアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Inference and prediction under partial knowledge of a physical system is challenging, particularly when multiple confounding sources influence the measured response. Explicitly accounting for these influences in physics-based models is often infeasible due to epistemic uncertainty, cost, or time constraints, resulting in models that fail to accurately describe the behavior of the system. On the other hand, data-driven machine learning models such as variational autoencoders are not guaranteed to identify a parsimonious representation. As a result, they can suffer from poor generalization performance and reconstruction accuracy in the regime of limited and noisy data. We propose a physics-informed variational autoencoder architecture that combines the interpretability of physics-based models with the flexibility of data-driven models. To promote disentanglement of the known physics and confounding influences, the latent space is partitioned into physically meaningful variables that parametrize a physics-based model, and data-driven variables that capture variability in the domain and class of the physical system. The encoder is coupled with a decoder that integrates physics-based and data-driven components, and constrained by an adversarial training objective that prevents the data-driven components from overriding the known physics, ensuring that the physics-grounded latent variables remain interpretable. We demonstrate that the model is able to disentangle features of the input signal and separate the known physics from confounding influences using supervision in the form of class and domain observables. The model is evaluated on a series of synthetic case studies relevant to engineering structures, demonstrating the feasibility of the proposed approach.
• Abstract（参考訳）: 物理系の部分的な知識の下での推測と予測は、特に複数の共起源が測定された応答に影響を与える場合、困難である。 物理学に基づくモデルにおけるこれらの影響を明示的に説明することは、しばしば疫学的な不確実性、コスト、時間的制約のために実現不可能であり、結果としてシステムの振舞いを正確に記述できないモデルとなる。 一方、変分オートエンコーダのようなデータ駆動機械学習モデルは、擬似表現を特定することは保証されない。 その結果、限定的・ノイズの多いデータ体制では、一般化性能の低下や再構成精度の低下に悩まされる。 本稿では,物理モデルとデータ駆動モデルの柔軟性を組み合わせた物理インフォームド変分オートエンコーダアーキテクチャを提案する。 既知の物理学のゆがみと境界の影響を促進するために、潜在空間は物理ベースのモデルをパラメータ化する物理的に意味のある変数と、物理系の領域とクラスの変数を捉えるデータ駆動変数に分割される。 エンコーダは、物理ベースおよびデータ駆動コンポーネントを統合するデコーダと結合され、データ駆動コンポーネントが既知の物理をオーバーライドすることを防止し、物理接地された潜伏変数が解釈可能であることを確実にする敵の訓練目標によって制約される。 本モデルでは,入力信号の特徴を乱して,クラスやドメインオブザーバブルの形式での監視を用いて,既知の物理学的影響とを分離できることを実証する。 本モデルは, 工学構造に関する一連のケーススタディに基づいて評価し, 提案手法の有効性を実証する。

関連論文リスト

• Physically-informed change-point kernels for structural dynamics [0.0]
  本稿では,ガウス過程のための新しい,物理的にインフォームドされた,変化点カーネルを開発する。 ユーザに対して高いレベルのコントロールが与えられ、現象が発生するべき条件の定義が可能になる。 また、物理現象に基づいてモデル化された雑音のバラツキも実施し、予測とともに不確実性をより顕著に捉えた。
  論文  参考訳（メタデータ） (2025-06-13T09:52:49Z)
• ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
  ContPhyは、マシン物理常識を評価するための新しいベンチマークである。 私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。 また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
  論文  参考訳（メタデータ） (2024-02-09T01:09:21Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Differentiable physics-enabled closure modeling for Burgers' turbulence [0.0]
  本稿では、既知の物理と機械学習を組み合わせて乱流問題に対するクロージャモデルを開発する微分可能な物理パラダイムを用いたアプローチについて論じる。 我々は、モデルの有効性をテストするために、後方損失関数上の様々な物理仮定を組み込んだ一連のモデルを訓練する。 既知物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成することを発見した。
  論文  参考訳（メタデータ） (2022-09-23T14:38:01Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Hard Encoding of Physics for Learning Spatiotemporal Dynamics [8.546520029145853]
  既知の物理知識を強制的にエンコードして,データ駆動的な学習を容易にするディープラーニングアーキテクチャを提案する。 物理学の強制符号化メカニズムは、ペナルティに基づく物理学による学習と根本的に異なるが、ネットワークが与えられた物理学に厳密に従うことを保証する。
  論文  参考訳（メタデータ） (2021-05-02T21:40:39Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Augmenting Physical Models with Deep Networks for Complex Dynamics Forecasting [34.61959169976758]
  APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。 これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
  論文  参考訳（メタデータ） (2020-10-09T09:31:03Z)

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。