探究隐式神经网络中的潜在表示对科学连续场重建的影响
机器学习
2024-04-10 v1 人工智能
摘要
从稀疏采样中学习物理场的连续且可靠的表示具有挑战性，且影响着多个科学学科。在近期的一项工作中，我们提出了一种名为 MMGN (Multiplicative and Modulated Gabor Network) 的基于隐式神经网络的新模型。在本工作中，我们利用可解释性方法设计了补充实验，以补充先前的实验并进一步加深对该模型生成的潜在表示的理解。所采用的方法具有足够的通用性，可用于任何潜在空间的检查。初步结果证明了潜在表示中包含的上下文信息及其对模型性能的影响。作为一项正在进行的工作，我们将继续验证我们的发现并开发新的可解释性方法。
引用
@article{arxiv.2404.06418,
title = {Studying the Impact of Latent Representations in Implicit Neural Networks for Scientific Continuous Field Reconstruction},
author = {Wei Xu and Derek Freeman DeSantis and Xihaier Luo and Avish Parmar and Klaus Tan and Balu Nadiga and Yihui Ren and Shinjae Yoo},
journal= {arXiv preprint arXiv:2404.06418},
year = {2024}
}