Physics-informed Variational Autoencoders for Improved Robustness to Environmental Factors of Variation

要約

機械学習モデルと物理モデルの組み合わせは、堅牢なデータ表現を学習するための最近の研究パスです。
このホワイトペーパーでは、データ収集条件に関連する変動の潜在的要因に関する以前の物理的知識を統合する変分自動エンコーダーであるp $^3 $ vaeを紹介します。
p $^3 $ vaeは、潜在的な空間を物理変数に部分的に接地するために、標準的なニューラルネットワーク層と訓練不可能な物理層を組み合わせています。
機械学習部分と物理学部のバランスをとる半監視学習アルゴリズムを紹介します。
シミュレートされた実際のデータセットと実際のデータセットに関する実験は、外挿機能と解釈可能性の観点から、競合する物理学に基づいた機械学習モデルに対するフレームワークの利点を示しています。
特に、p $^3 $ vaeには当然、興味深い解き目能力があることを示しています。
私たちのコードとデータは、https://github.com/romain3ch216/p3vaeで公開されています。

要約(オリジナル)

The combination of machine learning models with physical models is a recent research path to learn robust data representations. In this paper, we introduce p$^3$VAE, a variational autoencoder that integrates prior physical knowledge about the latent factors of variation that are related to the data acquisition conditions. p$^3$VAE combines standard neural network layers with non-trainable physics layers in order to partially ground the latent space to physical variables. We introduce a semi-supervised learning algorithm that strikes a balance between the machine learning part and the physics part. Experiments on simulated and real data sets demonstrate the benefits of our framework against competing physics-informed and conventional machine learning models, in terms of extrapolation capabilities and interpretability. In particular, we show that p$^3$VAE naturally has interesting disentanglement capabilities. Our code and data have been made publicly available at https://github.com/Romain3Ch216/p3VAE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google