哈密顿生成对抗网络
摘要：基于哈密顿形式的视频生成的神经网络越来越多地被用作归纳偏置。哈密顿结构确保一个学习到的量（如能量）的保守，并强加了对输入视频底层低维流形的相空间解释。虽然这种解释潜在有助于在下游任务中集成学习到的表示，但现有方法的适用性有限，因为它们需要在设计时对配置空间进行结构性先验。在这项工作中，我们提出了一个基于GAN的视频生成流程，其中包括了一个学到的配置空间映射和哈密顿神经网络运动模型，可以从数据中学习配置空间的表示。我们使用一个受物理启发的循环坐标损失函数来训练我们的模型，该函数鼓励最小化的配置空间表示并提高了可解释性。我们在哈密顿动力学套件玩具物理数据集上展示了我们方法的有效性和优势。
作者：Christine Allen-Blanchette
论文ID：2308.11216
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-23