ترجمه فارسی مقاله مدل‌های انتشار آگاه فضایی با توجه متقابل برای بازسازی میدان جهانی با مشاهدات پراکنده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Spatially-Aware Diffusion Models with Cross-Attention for Global Field Reconstruction with Sparse Observations
عنوان مقاله به فارسی مدل‌های انتشار آگاه فضایی با توجه متقابل برای بازسازی میدان جهانی با مشاهدات پراکنده
نویسندگان Yilin Zhuang, Sibo Cheng, Karthik Duraisamy
فرمت مقاله انگلیسی PDF
تعداد صفحات 40
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Fluid Dynamics,یادگیری ماشین , هوش مصنوعی , پویایی سیال ,
توضیحات Submitted 30 August, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 30 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Diffusion models have gained attention for their ability to represent complex distributions and incorporate uncertainty, making them ideal for robust predictions in the presence of noisy or incomplete data. In this study, we develop and enhance score-based diffusion models in field reconstruction tasks, where the goal is to estimate complete spatial fields from partial observations. We introduce a condition encoding approach to construct a tractable mapping mapping between observed and unobserved regions using a learnable integration of sparse observations and interpolated fields as an inductive bias. With refined sensing representations and an unraveled temporal dimension, our method can handle arbitrary moving sensors and effectively reconstruct fields. Furthermore, we conduct a comprehensive benchmark of our approach against a deterministic interpolation-based method across various static and time-dependent PDEs. Our study attempts to addresses the gap in strong baselines for evaluating performance across varying sampling hyperparameters, noise levels, and conditioning methods. Our results show that diffusion models with cross-attention and the proposed conditional encoding generally outperform other methods under noisy conditions, although the deterministic method excels with noiseless data. Additionally, both the diffusion models and the deterministic method surpass the numerical approach in accuracy and computational cost for the steady problem. We also demonstrate the ability of the model to capture possible reconstructions and improve the accuracy of fused results in covariance-based correction tasks using ensemble sampling.

چکیده به فارسی (ترجمه ماشینی)

مدلهای انتشار به توانایی خود در نمایش توزیع های پیچیده و ترکیب عدم اطمینان توجه کرده اند و آنها را برای پیش بینی های قوی در حضور داده های پر سر و صدا یا ناقص ایده آل می کند.در این مطالعه ، ما مدل های انتشار مبتنی بر نمره را در کارهای بازسازی میدانی توسعه داده و تقویت می کنیم ، جایی که هدف از آن تخمین زمینه های مکانی کامل از مشاهدات جزئی است.ما یک روش رمزگذاری شرط را برای ساختن نقشه برداری قابل تنظیم بین مناطق مشاهده شده و بدون نظارت با استفاده از ادغام قابل یادگیری از مشاهدات پراکنده و زمینه های درون یابی به عنوان یک تعصب القایی معرفی می کنیم.با بازنمودهای سنجش تصفیه شده و ابعاد زمانی کشف نشده ، روش ما می تواند سنسورهای متحرک خودسرانه را اداره کند و به طور مؤثر زمینه ها را بازسازی کند.علاوه بر این ، ما یک معیار جامع از رویکرد خود را در برابر یک روش مبتنی بر درون یابی قطعی در PDE های مختلف استاتیک و وابسته به زمان انجام می دهیم.مطالعه ما تلاش می کند تا به شکاف در پایه های قوی برای ارزیابی عملکرد در کل نمونه برداری های مختلف ، سطح سر و صدا و روش های تهویه بپردازد.نتایج ما نشان می دهد که مدل های انتشار با توجه متقابل و رمزگذاری مشروط پیشنهادی به طور کلی از سایر روشها در شرایط پر سر و صدا بهتر عمل می کنند ، اگرچه روش قطعی با داده های بی صدا برتری دارد.علاوه بر این ، هر دو مدل انتشار و روش قطعی از رویکرد عددی در دقت و هزینه محاسباتی برای مشکل پایدار پیشی می گیرند.ما همچنین توانایی مدل در ضبط بازسازی های احتمالی و بهبود دقت نتایج ذوب شده در کارهای تصحیح مبتنی بر کواریانس را با استفاده از نمونه گیری گروه نشان می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.