Fugu-MT 論文翻訳(概要): Inverse Problems, Deep Learning, and Symmetry Breaking

論文の概要: Inverse Problems, Deep Learning, and Symmetry Breaking

arxiv url: http://arxiv.org/abs/2003.09077v1
Date: Fri, 20 Mar 2020 02:43:57 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 22:24:34.651420
Title: Inverse Problems, Deep Learning, and Symmetry Breaking
Title（参考訳）: 逆問題, 深層学習, 対称性の破れ
Authors: Kshitij Tayal, Chieh-Hsin Lai, Vipin Kumar, Ju Sun
Abstract要約: 多くの物理系では、固有系対称性による入力は同じ出力にマッピングされる。トレーニングデータに対する注意的対称性の破れは,その難しさを解消し,学習性能を著しく向上させることを示す。
参考スコア（独自算出の注目度）: 6.54545059421233
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In many physical systems, inputs related by intrinsic system symmetries are mapped to the same output. When inverting such systems, i.e., solving the associated inverse problems, there is no unique solution. This causes fundamental difficulties for deploying the emerging end-to-end deep learning approach. Using the generalized phase retrieval problem as an illustrative example, we show that careful symmetry breaking on the training data can help get rid of the difficulties and significantly improve the learning performance. We also extract and highlight the underlying mathematical principle of the proposed solution, which is directly applicable to other inverse problems.
Abstract（参考訳）: 多くの物理系では、固有系対称性による入力は同じ出力にマッピングされる。そのようなシステム、すなわち関連する逆問題を解決するとき、一意の解は存在しない。これにより、新興のエンドツーエンドディープラーニングアプローチを展開する上で、根本的な困難が発生します。一般化された位相検索問題を例示として,訓練データに対する注意深い対称性の破断が難易度を解消し,学習性能を著しく向上できることを示す。また,他の逆問題に対して直接適用可能な解の数学的原理を抽出・強調する。

関連論文リスト

Paired Autoencoders for Inverse Problems [3.355436702348694]
前方問題は偏微分方程式の離散化である非線形逆問題の解を考える。典型的なアルゴリズムの主な計算ボトルネックは、データ不適合性の直接推定である。逆問題に対する確率自由度推定器として,ペアオートエンコーダフレームワークを用いる。
論文参考訳（メタデータ） (2024-05-21T22:00:34Z)
What is Wrong with End-to-End Learning for Phase Retrieval? [6.464093417537727]
このような問題を解決するために,データ駆動型ディープラーニングアプローチを用いることで,フォワードモデルの対称性が学習困難を引き起こすことを示す。学習前にトレーニングセット、すなわち対称性の破れを前処理することで、それらを克服する方法を示す。
論文参考訳（メタデータ） (2024-03-18T03:01:53Z)
Reverse em-problem based on Bregman divergence and its application to classical and quantum information theory [53.64687146666141]
近年,反復を必要とせずにチャネル容量を計算できる解析手法が提案されている。トヨタが提案した逆のEm-problemに注意を向けます。逆の Em-problem の非定型式を導出する。
論文参考訳（メタデータ） (2024-03-14T10:20:28Z)
Exploring the solution space of linear inverse problems with GAN latent geometry [23.779985842891705]
逆問題とは、不完全な測定セットからの信号の再構成である。そこで本研究では, 生成的逆数ネットワークによって学習された, 測定値とデータ駆動型事前学習の両方に適合する複数の再構成を生成する手法を提案する。
論文参考訳（メタデータ） (2022-07-01T14:33:44Z)
Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文参考訳（メタデータ） (2021-10-21T07:28:11Z)
Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文参考訳（メタデータ） (2021-04-06T18:29:14Z)
Consistency analysis of bilevel data-driven learning in inverse problems [1.0705399532413618]
本稿では,データからの正規化パラメータの適応学習を最適化により検討する。線形逆問題に対する我々のフレームワークの実装方法を示す。勾配降下法を用いてオンライン数値スキームを導出する。
論文参考訳（メタデータ） (2020-07-06T12:23:29Z)
Total Deep Variation: A Stable Regularizer for Inverse Problems [71.90933869570914]
本稿では,データ駆動型汎用全深度変動正規化器について紹介する。コアでは、畳み込みニューラルネットワークが複数のスケールや連続したブロックで局所的な特徴を抽出する。我々は多数の画像処理タスクに対して最先端の結果を得る。
論文参考訳（メタデータ） (2020-06-15T21:54:15Z)
Regularization of Inverse Problems by Neural Networks [0.0]
逆問題は、計算トモグラフィー、非破壊検査、リモートセンシングを含む様々な画像アプリケーションで発生する。逆問題の特徴は、解の非特異性と不安定性である。ディープラーニング技術とニューラルネットワークは、逆問題に対する古典的解法を大幅に上回ることを示した。
論文参考訳（メタデータ） (2020-06-06T20:49:12Z)
Solving Inverse Problems with a Flow-based Noise Model [100.18560761392692]
本研究では,従来の正規化フローを用いた画像逆問題について検討する。我々の定式化は、この解を測定値に条件付けされた画像の最大後値推定とみなす。提案手法の様々な逆問題に対する有効性について実験的に検証した。
論文参考訳（メタデータ） (2020-03-18T08:33:49Z)
Total Deep Variation for Linear Inverse Problems [71.90933869570914]
本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
論文参考訳（メタデータ） (2020-01-14T19:01:50Z)

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。