이 연구는 물리 기반 동역학 제약을 활용하여 의미 있는 잠재 표현을 학습하는 새로운 프레임워크를 제안한다. 기존 방법들은 사전에 정의된 확률 분포를 사용하여 잠재 공간을 정규화하지만, 이 방법은 복잡한 시스템에서 사전 정보를 얻기 어려운 문제가 있다. 이에 반해 제안하는 방법은 순수하게 동역학 정보만을 활용하여 잠재 공간을 정규화한다. 구체적으로 과감된 랑주뱅 동역학을 사용하여 잠재 공간의 전이 밀도를 제약하고, 슬라이스 워서스타인 거리를 최소화하는 방식으로 학습을 진행한다. 이를 통해 기존 방법들보다 우수한 성능을 보이며, 물리적으로 의미 있는 잠재 표현을 학습할 수 있음을 보인다.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Dedi Wang,Yi... at arxiv.org 04-11-2024
https://arxiv.org/pdf/2209.00905.pdfDeeper Inquiries