एक अंतर्निहित सदिश उष्णता जाळी
Author
Venue
मशीन लर्निंगवरील आंतरराष्ट्रीय परिषद २०२४
Abstract
अनेक वैज्ञानिक आणि अभियांत्रिकी अनुप्रयोगांसाठी प्रवाह दर्शविण्यासाठी आणि मॉडेल करण्यासाठी वेक्टर क्षेत्रांचा मोठ्या प्रमाणावर वापर केला जातो. हा पेपर 3D मध्ये एम्बेड केलेल्या मॅनिफोल्ड पृष्ठभागांवर अंतर्निहितपणे परिभाषित टँजेंट वेक्टर क्षेत्र शिकण्यासाठी एक नवीन न्यूरल नेटवर्क आर्किटेक्चर सादर करतो. पृष्ठभागांवरील वेक्टर क्षेत्र शिकण्याच्या मागील पद्धती वेक्टर्सना बहु-आयामी स्केलर क्षेत्रांप्रमाणे वागवतात, पारंपारिक स्केलर-मूल्य आर्किटेक्चरचा वापर करून चॅनेल स्वतंत्रपणे प्रक्रिया करतात, ज्यामुळे वेक्टर क्षेत्राच्या मूलभूत अंतर्निहित गुणधर्मांचे संरक्षण करण्यात अयशस्वी ठरतात. या कामाची मुख्य कल्पना म्हणजे पृष्ठभागावर व्हेक्टर-मूल्य असलेला वैशिष्ट्य डेटा स्थानिकदृष्ट्या प्रसारित करण्यासाठी एक प्रशिक्षणीय व्हेक्टर हीट डिफ्यूजन मॉड्यूल सादर करणे, ज्याला आम्ही व्हेक्टर-मूल्य असलेल्या न्यूरॉन्सनी बनलेल्या आमच्या प्रस्तावित आर्किटेक्चरमध्ये समाविष्ट करतो. आमचे आर्किटेक्चर इनपुटच्या कठोर हालचाली, सममितीय विकृती, आणि स्थानिक स्पर्शक आधारांच्या निवडीसाठी अपरिवर्तनीय आहे, आणि पृष्ठभागाच्या विखंडनांसाठी (discretizations) मजबूत आहे. आम्ही आमच्या व्हेक्टर हीट नेटवर्कचे त्रिकोणी जाळींवर मूल्यांकन करतो आणि त्याच्या अपरिवर्तनीय गुणधर्मांना प्रायोगिकदृष्ट्या पुष्टी करतो. आम्ही चौकोनी जाळी निर्मितीच्या उपयुक्त औद्योगिक अनुप्रयोगावर आमच्या पद्धतीची कार्यक्षमता देखील दाखवतो.
