DLScanner: A parameter space scanner package assisted by deep learning methods

要約

このペーパーでは、深層学習 (DL) 技術によって強化されたスキャナー パッケージを紹介します。
提案されたパッケージは、以前に開発された DL ベースの手法に関連する 2 つの重要な課題、つまり高次元スキャンでの収束の遅さと、ランダムな点をターゲット空間にマッピングする際の DL ネットワークの一般化の限界に対処しています。
最初の問題に取り組むために、サンプリングされた点を表現空間にマッピングする類似性学習ネットワークを利用します。
この空間では、ターゲット内のポイントがグループ化され、ターゲット外のポイントは効果的に押し離されます。
このアプローチは、サンプリングされた点の表現を改良することによってスキャンの収束を強化します。
2 番目の課題は、動的サンプリング戦略を統合することで軽減されます。
具体的には、VEGAS マッピングを採用して、DL ネットワークの新しいポイントを適応的に提案すると同時に、より多くのポイントが収集されたときにマッピングを改善します。
私たちが提案したフレームワークは、他のスキャン方法と比較して、パフォーマンスと効率の両方において大幅な向上を示しています。

要約(オリジナル)

In this paper, we introduce a scanner package enhanced by deep learning (DL) techniques. The proposed package addresses two significant challenges associated with previously developed DL-based methods: slow convergence in high-dimensional scans and the limited generalization of the DL network when mapping random points to the target space. To tackle the first issue, we utilize a similarity learning network that maps sampled points into a representation space. In this space, in-target points are grouped together while out-target points are effectively pushed apart. This approach enhances the scan convergence by refining the representation of sampled points. The second challenge is mitigated by integrating a dynamic sampling strategy. Specifically, we employ a VEGAS mapping to adaptively suggest new points for the DL network while also improving the mapping when more points are collected. Our proposed framework demonstrates substantial gains in both performance and efficiency compared to other scanning methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google