論文の概要: Bayesian geoacoustic inversion using mixture density network
- arxiv url: http://arxiv.org/abs/2008.07902v3
- Date: Sun, 17 Jan 2021 02:52:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 21:12:55.581154
- Title: Bayesian geoacoustic inversion using mixture density network
- Title（参考訳）: 混合密度ネットワークを用いたベイズ地音響インバージョン
- Authors: Guoli Wu and Hefeng Dong and Junqiang Song and Jingya Zhang
- Abstract要約: 本稿では,重要な測地統計を導出することにより,古典的ベイズ測地学の逆転フレームワークを拡張した。
パラメータ空間全体にネットワークを直接トレーニングし、モデルのパラメータの多次元PDDを取得する。
その結果,ネットワークは信頼性の高い予測を行い,未知のデータに対して高い一般化性能を示すことがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bayesian geoacoustic inversion problems are conventionally solved by Markov
chain Monte Carlo methods or its variants, which are computationally expensive.
This paper extends the classic Bayesian geoacoustic inversion framework by
deriving important geoacoustic statistics of Bayesian geoacoustic inversion
from the multidimensional posterior probability density (PPD) using the mixture
density network (MDN) theory. These statistics make it convenient to train the
network directly on the whole parameter space and get the multidimensional PPD
of model parameters. The present approach provides a much more efficient way to
solve geoacoustic inversion problems in Bayesian inference framework. The
network is trained on a simulated dataset of surface-wave dispersion curves
with shear-wave velocities as labels and tested on both synthetic and real data
cases. The results show that the network gives reliable predictions and has
good generalization performance on unseen data. Once trained, the network can
rapidly (within seconds) give a fully probabilistic solution which is
comparable to Monte Carlo methods. It provides an promising approach for
real-time inversion.
- Abstract（参考訳）: ベイズ的地音響反転問題はマルコフ連鎖モンテカルロ法またはその変種によって解かれるが、これは計算に高価である。
本稿では, 混合密度ネットワーク(MDN)理論を用いて, 多次元後方確率密度(PPD)からベイズ測地音響インバージョンの重要な測地統計を導出することにより, 古典的ベイズ測地音響インバージョンフレームワークを拡張した。
これらの統計は、パラメータ空間全体に直接ネットワークをトレーニングし、モデルのパラメータの多次元PDを得るのに便利である。
このアプローチはベイズ推論フレームワークにおける測地反転問題を解くためのより効率的な方法を提供する。
ネットワークは、せん断波速度をラベルとする表面波分散曲線のシミュレーションデータセットに基づいてトレーニングされ、合成データと実データの両方でテストされる。
その結果,ネットワークは信頼性の高い予測を行い,未取得データに対して高い一般化性能を示すことがわかった。
一度訓練すると、ネットワークは(数秒で)モンテカルロ法に匹敵する完全な確率的解を与えることができる。
リアルタイムの逆転には有望なアプローチを提供する。
関連論文リスト
- Amortized Bayesian Local Interpolation NetworK: Fast covariance parameter estimation for Gaussian Processes [0.04660328753262073]
高速な共分散パラメータ推定のための補正ベイズ局所補間ネットWorKを提案する。
これらのネットワークの高速な予測時間により、行列の反転ステップをバイパスし、大きな計算スピードアップを発生させることができる。
拡張性のあるGP手法に比べて計算効率が大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-11-10T01:26:16Z) - Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。
圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
論文 参考訳（メタデータ） (2024-09-19T17:56:16Z) - Distributed Variational Inference for Online Supervised Learning [15.038649101409804]
本稿では,スケーラブルな分散確率的推論アルゴリズムを提案する。
センサネットワークにおける連続変数、難解な後部データ、大規模リアルタイムデータに適用できる。
論文 参考訳（メタデータ） (2023-09-05T22:33:02Z) - Learning to solve Bayesian inverse problems: An amortized variational inference approach using Gaussian and Flow guides [0.0]
本研究では,ベイズ逆写像,すなわちデータから後部への写像を学習することで,リアルタイムな推論を可能にする手法を開発する。
我々のアプローチは、ニューラルネットワークの前方通過のコストで、所定の観測のための後部分布を提供する。
論文 参考訳（メタデータ） (2023-05-31T16:25:07Z) - Content Popularity Prediction Based on Quantized Federated Bayesian
Learning in Fog Radio Access Networks [76.16527095195893]
キャッシュ可能なフォグラジオアクセスネットワーク(F-RAN)におけるコンテンツ人気予測問題について検討する。
そこで本研究では,コンテンツ要求パターンをモデル化するためのガウス過程に基づく回帰器を提案する。
我々はベイズ学習を利用してモデルパラメータを訓練する。
論文 参考訳（メタデータ） (2022-06-23T03:05:12Z) - Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。
DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文 参考訳（メタデータ） (2022-02-28T15:53:10Z) - Semiparametric Bayesian Networks [5.205440005969871]
パラメトリックおよび非パラメトリック条件付き確率分布を組み合わせた半パラメトリックベイズネットワークを提案する。
彼らの目的は、パラメトリックモデルの有界複雑性と非パラメトリックモデルの柔軟性を統合することである。
論文 参考訳（メタデータ） (2021-09-07T11:47:32Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳（メタデータ） (2021-06-23T18:00:05Z) - What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。
また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
論文 参考訳（メタデータ） (2021-04-29T15:38:46Z) - Parameterizing uncertainty by deep invertible networks, an application
to reservoir characterization [0.9176056742068814]
フルウェーブフォーム逆転に対する不確かさの定量化は、問題の条件の不確かさを確率論的に特徴づける。
本研究では,モデル空間へのガウス的ランダム入力を,実際の後部分布からサンプリングしたかのように「前方」に学習するディープネットワークを特徴とするアプローチを提案する。
論文 参考訳（メタデータ） (2020-04-16T18:37:56Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳（メタデータ） (2020-03-19T15:36:31Z)
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。