論文の概要: Markov-Chain Monte Carlo Approximation of the Ideal Observer using
Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2001.09526v1
- Date: Sun, 26 Jan 2020 21:51:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 19:09:21.650516
- Title: Markov-Chain Monte Carlo Approximation of the Ideal Observer using
Generative Adversarial Networks
- Title(参考訳): 生成逆数ネットワークを用いた理想オブザーバのマルコフ連鎖モンテカルロ近似
- Authors: Weimin Zhou, Mark A. Anastasio
- Abstract要約: 医用イメージングシステムを信号検出タスクに最適化する際には,Ideal Observer (IO) の性能が提唱されている。
IOテスト統計を近似するため,マルコフ・チェイン・モンテカルロ法(MCMC)を用いたサンプリング法が開発されている。
GAN(Generative Adversarial Network)を用いたディープラーニング手法は、画像データからオブジェクトモデルを学ぶことを大いに約束する。
- 参考スコア(独自算出の注目度): 14.792685152780795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Ideal Observer (IO) performance has been advocated when optimizing
medical imaging systems for signal detection tasks. However, analytical
computation of the IO test statistic is generally intractable. To approximate
the IO test statistic, sampling-based methods that employ Markov-Chain Monte
Carlo (MCMC) techniques have been developed. However, current applications of
MCMC techniques have been limited to several object models such as a lumpy
object model and a binary texture model, and it remains unclear how MCMC
methods can be implemented with other more sophisticated object models. Deep
learning methods that employ generative adversarial networks (GANs) hold great
promise to learn stochastic object models (SOMs) from image data. In this
study, we described a method to approximate the IO by applying MCMC techniques
to SOMs learned by use of GANs. The proposed method can be employed with
arbitrary object models that can be learned by use of GANs, thereby the domain
of applicability of MCMC techniques for approximating the IO performance is
extended. In this study, both signal-known-exactly (SKE) and
signal-known-statistically (SKS) binary signal detection tasks are considered.
The IO performance computed by the proposed method is compared to that computed
by the conventional MCMC method. The advantages of the proposed method are
discussed.
- Abstract(参考訳): 医用イメージングシステムを信号検出タスクに最適化する際には,Ideal Observer (IO) の性能が提唱されている。
しかし、IOテスト統計学の分析計算は一般に難解である。
IOテスト統計を近似するために,マルコフ-チェインモンテカルロ法(MCMC)を用いたサンプリング法を開発した。
しかし、MCMC技術の現在の応用は、ラムピーオブジェクトモデルやバイナリテクスチャモデルなど、いくつかのオブジェクトモデルに限られており、MCMCメソッドが他のより洗練されたオブジェクトモデルでどのように実装できるかは定かではない。
GAN(Generative Adversarial Network)を用いた深層学習手法は,画像データから確率的オブジェクトモデル(SOM)を学習する大きな可能性を秘めている。
本研究では,GANを用いて学習したSOMにMCMC技術を適用し,IOを近似する手法について述べる。
提案手法は,GANを用いて学習可能な任意のオブジェクトモデルを用いて適用することができるため,IO性能を近似するためのMCMC技術の適用範囲が拡張される。
本研究では,SKE(Signal-known-exactly)とSKS(Signal-known-statistically)の両方のバイナリ信号検出タスクを検討する。
提案手法で計算したio性能を従来のmcmc法で計算したio性能と比較した。
提案手法の利点について考察する。
関連論文リスト
- Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。
オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。
このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
論文 参考訳(メタデータ) (2024-11-04T16:12:37Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Ideal Observer Computation by Use of Markov-Chain Monte Carlo with
Generative Adversarial Networks [12.521662223741671]
Ideal Observer (IO) は、医療画像システムの評価と最適化のためのFinder-of-merit (FOM) としての使用を提唱されている。
マルコフ・チェイン・モンテカルロ法(MCMC)を用いたサンプリング法が提案されている。
本研究では, MCMC-GAN と呼ばれる, GAN ベースの SOM を用いた新しい MCMC 手法について述べる。
論文 参考訳(メタデータ) (2023-04-02T02:51:50Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - MCCE: Monte Carlo sampling of realistic counterfactual explanations [2.156170153103442]
MCCEは、新規なオン・マニフォールドで、動作可能で、有効な対実的説明法である。
可変特徴の共役分布をモデル化することにより、オン・マニフォールド、動作可能、有効な反事実を生成する。
我々は,MCCEを4つのよく知られたデータセットを用いて,最先端のmanifold法と比較した。
論文 参考訳(メタデータ) (2021-11-18T16:40:44Z) - A Survey of Monte Carlo Methods for Parameter Estimation [0.0]
本稿では,信号処理応用における静的パラメータ推定のためのモンテカルロ法について検討する。
MCスキームの開発に関する歴史的注記も提供され、続いて基本MC法とリジェクションサンプリング(RS)アルゴリズムの簡潔な記述がなされている。
論文 参考訳(メタデータ) (2021-07-25T14:57:58Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-31T23:46:32Z) - Community Detection in the Stochastic Block Model by Mixed Integer
Programming [3.8073142980733]
Degree-Corrected Block Model (DCSBM) は、コミュニティ構造を持つランダムグラフを生成する一般的なモデルである。
DCSBMに基づくコミュニティ検出の標準的なアプローチは、最大推定(MLE)により観測されたネットワークデータを生成する可能性が最も高いモデルパラメータを探索することである。
本稿では,モデルパラメータと最大確率のコミュニティ割当を観測グラフから確実に求める数学的計画式と厳密解法を提案する。
論文 参考訳(メタデータ) (2021-01-26T22:04:40Z) - Kernel learning approaches for summarising and combining posterior
similarity matrices [68.8204255655161]
我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。
我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
論文 参考訳(メタデータ) (2020-09-27T14:16:14Z) - Approximating the Ideal Observer for joint signal detection and
localization tasks by use of supervised learning methods [15.226790614827193]
画像品質(IQ)の客観的指標を用いて、医用画像システムの評価と最適化が一般的である
理想オブザーバ(IO)のパフォーマンスは、画像システムの評価と最適化に使用するためのメリットの図式を提供することが提唱されている。
本稿では,共同信号検出および局所化タスクにおいて,IOを近似する教師あり学習手法を提案する。
論文 参考訳(メタデータ) (2020-05-29T22:53:45Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳(メタデータ) (2020-02-14T06:58:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。