論文の概要: O-ConNet: Geometry-Aware End-to-End Inference of Over-Constrained Spatial Mechanisms

• arxiv url: http://arxiv.org/abs/2604.02038v1
• Date: Thu, 02 Apr 2026 13:43:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.824821
• Title: O-ConNet: Geometry-Aware End-to-End Inference of Over-Constrained Spatial Mechanisms
• Title（参考訳）: O-ConNet:過剰拘束された空間メカニズムの幾何学的エンド・ツー・エンド推論
• Authors: Haoyu Sun, Meng Zhao, Tianhao Wang, Jianxu Wu,
• Abstract要約: O-ConNetは、わずか3つの到達可能なポイントから構造パラメータを推論するエンドツーエンドのフレームワークである。 O-ConNetは、自己構築されたBennett 4Rデータセット上で、Param-MAE 0.276 +/- 0.077とTraj-MAE 0.145 +/- 0.018を達成する。 これらの結果から,エンド・ツー・エンド・ラーニングは閉ループ構造を捕捉し,空間的過拘束機構の逆設計のための実践的経路を提供する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 6.353145241135741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has shown strong potential for scientific discovery, but its ability to model macroscopic rigid-body kinematic constraints remains underexplored. We study this problem on spatial over-constrained mechanisms and propose O-ConNet, an end-to-end framework that infers mechanism structural parameters from only three sparse reachable points while reconstructing the full motion trajectory, without explicitly solving constraint equations during inference. On a self-constructed Bennett 4R dataset of 42,860 valid samples, O-ConNet achieves Param-MAE 0.276 +/- 0.077 and Traj-MAE 0.145 +/- 0.018 (mean +/- std over 10 runs), outperforming the strongest sequence baseline (LSTM-Seq2Seq) by 65.1 percent and 88.2 percent, respectively. These results suggest that end-to-end learning can capture closed-loop geometric structure and provide a practical route for inverse design of spatial over-constrained mechanisms under extremely sparse observations.
• Abstract（参考訳）: 深層学習は科学的発見の可能性を強く示してきたが、マクロな剛体運動の制約をモデル化する能力はいまだに未発見のままである。 本稿では, 空間的過制約機構について検討し, O-ConNetを提案する。O-ConNetは, 推論中の制約方程式を明示的に解くことなく, 完全な運動軌跡を再構築しながら, わずか3つの到達点から機構パラメータを推定するフレームワークである。 42,860個の有効なサンプルからなる自己構築ベネット4Rデータセットにおいて、O-ConNetはParam-MAE 0.276 +/- 0.077とTraj-MAE 0.145 +/- 0.018 (mean +/- std over 10 run)をそれぞれ65.1%と88.2%で達成し、最強のシークエンスベースライン(LSTM-Seq2Seq)を上回った。 これらの結果から, 終末学習は閉ループ幾何構造を捉えることができ, 空間的過拘束機構の逆設計を極端にスパースな観測で実現できる可能性が示唆された。

関連論文リスト

• HCLSM: Hierarchical Causal Latent State Machines for Object-Centric World Modeling [0.0]
  HCLSMは、オブジェクト中心分解、空間放送復号化、階層的時間力学の3つの原理で機能する。 システムは51モジュールにまたがる8,478行のPythonにまたがっており、171のユニットテストがある。
  論文  参考訳（メタデータ） (2026-03-31T00:11:29Z)
• Bridging the Geometry Mismatch: Frequency-Aware Anisotropic Serialization for Thin-Structure SSMs [6.490344405865677]
  FGOS-Netは周波数許容型幾何学的歪みに基づくフレームワークである。 4つの挑戦的なベンチマークで、一貫して強力なベースラインを上回ります。 91.3% mIoUと97.1% clDiceをDeepCrackで達成し、80 FPSで7.87 GFLOPしか走らない。
  論文  参考訳（メタデータ） (2026-03-30T14:39:04Z)
• Dynamical Systems Theory Behind a Hierarchical Reasoning Model [0.0]
  契約マッピングモデル(CMM)は、離散的推論を連続的ニューラル正規および微分方程式(NODE/NSDE)に変換する新しいアーキテクチャである。 CMMは最先端の精度93.7%に達し、27M-Extremeベンチマークと85.4%のSudooku-Extremeベンチマークを上回っている。 結果は、数学的に厳密な潜在力学が、人工推論におけるブルートフォーススケーリングを効果的に置き換えることができることを証明し、極端なパラメータ効率のための新たなフロンティアを確立する。
  論文  参考訳（メタデータ） (2026-03-24T07:14:22Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Geometric Latent Space Tomography with Metric-Preserving Autoencoders [0.0]
  本稿では,古典的ニューラルエンコーダとパラメータ化量子回路デコーダを組み合わせた幾何学的潜時空間トモグラフィーを提案する。 我々の幾何対応潜在空間は、ユークリッド距離からの直接状態の判別、およびフルトモグラフィーを繰り返すことなく量子エラー軽減のための解釈可能な誤差を可能にする。
  論文  参考訳（メタデータ） (2025-12-16T20:18:10Z)
• URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
  3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。 URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。 シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-02T13:45:51Z)
• Symmetry-Constrained Multi-Scale Physics-Informed Neural Networks for Graphene Electronic Band Structure Prediction [0.0]
  本稿では,Symmetry-Constrained Multi-Scale Physics-Informed Neural Network (SCMS-PINN) v35を紹介する。 グラフェンバンド構造を直接学習し、結晶対称性を厳格に強化する。 このモデルは、理論ゼロの30.3$mu$eVと平均誤差53.9meVとブリルアンゾーンの40.5meV(導電性)でディラック点ギャップを予測する。
  論文  参考訳（メタデータ） (2025-08-14T14:59:10Z)
• Data-free Weight Compress and Denoise for Large Language Models [96.68582094536032]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)
• RAYEN: Imposition of Hard Convex Constraints on Neural Networks [47.494620411594624]
  RAYENは、ニューラルネットワークにハード凸制約を課すフレームワークである。 最先端のアルゴリズムの20倍から7468倍の高速化を実現している。
  論文  参考訳（メタデータ） (2023-07-17T09:12:05Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)

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。