論文の概要: KANGURA: Kolmogorov-Arnold Network-Based Geometry-Aware Learning with Unified Representation Attention for 3D Modeling of Complex Structures

• arxiv url: http://arxiv.org/abs/2511.13798v1
• Date: Mon, 17 Nov 2025 07:25:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.734313
• Title: KANGURA: Kolmogorov-Arnold Network-Based Geometry-Aware Learning with Unified Representation Attention for 3D Modeling of Complex Structures
• Title（参考訳）: KANGURA:Klmogorov-Arnold Network-based Geometry-Aware Learning with Unified Representation Attention for 3D Modeling of Complex Structures
• Authors: Mohammad Reza Shafie, Morteza Hajiabadi, Hamed Khosravi, Mobina Noori, Imtiaz Ahmed,
• Abstract要約: 我々はKANGURA: Kolmogorov-Arnold Network-Based Geometry-Aware Learning with Unified Representation Attentionを提案する。 Kolmogorov-Arnold Network(KAN)に基づく表現学習は、従来の多層パーセプトロン(MLP)を使わずに幾何学的関係を再構築する関数分解問題として予測を定式化する。 実験の結果、KANGURAはModelNet40ベンチマークデータセットで15以上の最先端(SOTA)モデルより優れ、92.7%の精度を実現し、現実世界のMFCアノード構造問題において97%の精度で優れていた。
• 参考スコア（独自算出の注目度）: 1.8439367433740272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Microbial Fuel Cells (MFCs) offer a promising pathway for sustainable energy generation by converting organic matter into electricity through microbial processes. A key factor influencing MFC performance is the anode structure, where design and material properties play a crucial role. Existing predictive models struggle to capture the complex geometric dependencies necessary to optimize these structures. To solve this problem, we propose KANGURA: Kolmogorov-Arnold Network-Based Geometry-Aware Learning with Unified Representation Attention. KANGURA introduces a new approach to three-dimensional (3D) machine learning modeling. It formulates prediction as a function decomposition problem, where Kolmogorov-Arnold Network (KAN)- based representation learning reconstructs geometric relationships without a conventional multi- layer perceptron (MLP). To refine spatial understanding, geometry-disentangled representation learning separates structural variations into interpretable components, while unified attention mechanisms dynamically enhance critical geometric regions. Experimental results demonstrate that KANGURA outperforms over 15 state-of-the-art (SOTA) models on the ModelNet40 benchmark dataset, achieving 92.7% accuracy, and excels in a real-world MFC anode structure problem with 97% accuracy. This establishes KANGURA as a robust framework for 3D geometric modeling, unlocking new possibilities for optimizing complex structures in advanced manufacturing and quality-driven engineering applications.
• Abstract（参考訳）: 微生物燃料電池(MFC)は、微生物のプロセスを通じて有機物を電気に変換することで、持続可能なエネルギー発生の道を提供する。 MFCの性能に影響を与える重要な要因は、設計と材料特性が重要な役割を果たすアノード構造である。 既存の予測モデルは、これらの構造を最適化するのに必要な複雑な幾何学的依存関係を捉えるのに苦労する。 そこで我々はKANGURA: Kolmogorov-Arnold Network-Based Geometry-Aware Learning with Unified Representation Attentionを提案する。 KANGURAは3次元の機械学習モデリングに新しいアプローチを導入している。 Kolmogorov-Arnold Network(KAN)に基づく表現学習は,従来の多層パーセプトロン(MLP)を使わずに幾何学的関係を再構築する。 空間的理解を深めるために、幾何学的不整合表現学習は、構造的変動を解釈可能な構成要素に分離し、統一された注意機構は臨界幾何学的領域を動的に拡張する。 実験の結果、KANGURAはModelNet40ベンチマークデータセットで15以上の最先端(SOTA)モデルより優れ、92.7%の精度を実現し、現実世界のMFCアノード構造問題において97%の精度で優れていた。 これにより、KANGURAは3次元幾何モデリングのための堅牢なフレームワークとして確立され、高度な製造および品質駆動エンジニアリングアプリケーションにおける複雑な構造を最適化する新たな可能性の解放となる。

関連論文リスト

• Physics-Informed Neural Networks for MIMO Beam Map and Environment Reconstruction [67.65578956523403]
  ネットワークインテリジェンスを用いて物理層計測をブリッジするための重要な手法として,チャネル状態情報(CSI)からの幾何学的特徴抽出が出現する。 本稿では, 受信信号強度(RSS)データを3次元環境知識なしで探索し, 放射光マップと環境幾何学を共同構築することを提案する。 反射領域に基づく幾何モデルを含む物理インフォームドディープラーニングフレームワークを提案し, ブロック, 反射, 散乱成分の学習を行った。
  論文  参考訳（メタデータ） (2025-10-24T08:17:14Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• MIND: Microstructure INverse Design with Generative Hybrid Neural Representation [25.55691106041371]
  マイクロマテリアルの逆設計は、特定の標的となる物理的特性を持つメタマテリアルを最適化する上で重要な役割を担っている。 本稿では,幾何学的特性と物理的特性を同時に符号化した,高度なハイブリッドニューラル表現であるHoloplaneと潜時拡散を統合した新しい生成モデルを提案する。 提案手法は,複数クラスにまたがって一般化され,多種多様なタイル状構造の生成が可能となり,特性精度が大幅に向上し,幾何的妥当性の制御が強化された。
  論文  参考訳（メタデータ） (2025-02-01T20:25:47Z)
• AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
  AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。 本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
  論文  参考訳（メタデータ） (2024-10-02T03:10:38Z)
• Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
  空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。 本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T14:17:43Z)
• Reconstructing Compact Building Models from Point Clouds Using Deep Implicit Fields [4.683612295430956]
  我々は点雲からコンパクトで水密な多角形建築モデルを再構築するための新しい枠組みを提案する。 合成および実世界の点雲の両方の実験により、我々の神経誘導戦略により、高品質な建築モデルは、忠実性、コンパクト性、計算効率において大きな利点をもって得られることが実証された。
  論文  参考訳（メタデータ） (2021-12-24T21:32:32Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Deep Generative Modeling for Mechanistic-based Learning and Design of Metamaterial Systems [20.659457956055366]
  深部生成モデルに基づく新しいデータ駆動メタマテリアル設計フレームワークを提案する。 本研究では,VAEの潜伏空間が,形状類似度を測定するための距離メートル法を提供することを示す。 機能的グレードとヘテロジニアスなメタマテリアルシステムの両方を設計することで、我々のフレームワークを実証する。
  論文  参考訳（メタデータ） (2020-06-27T03:56:55Z)

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。