論文の概要: Benchmarking deep inverse models over time, and the neural-adjoint method

• arxiv url: http://arxiv.org/abs/2009.12919v4
• Date: Mon, 11 Oct 2021 19:04:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 03:25:49.647197
• Title: Benchmarking deep inverse models over time, and the neural-adjoint method
• Title（参考訳）: 時間経過による深い逆モデルのベンチマークとニューラル・アドジョイント法
• Authors: Simiao Ren, Willie Padilla, Jordan Malof
• Abstract要約: そこで本研究では,自然システムの隠れパラメータを決定するための一般的な逆問題について考察する。 我々はこれらのモデルを、効率的に、しかしランダムに、可能な逆解の空間を探索するための異なるスキームとして概念化する。 我々は,4つのベンチマークタスクについて,最先端の逆モデリング手法を比較した。
• 参考スコア（独自算出の注目度）: 3.4376560669160394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the task of solving generic inverse problems, where one wishes to determine the hidden parameters of a natural system that will give rise to a particular set of measurements. Recently many new approaches based upon deep learning have arisen generating impressive results. We conceptualize these models as different schemes for efficiently, but randomly, exploring the space of possible inverse solutions. As a result, the accuracy of each approach should be evaluated as a function of time rather than a single estimated solution, as is often done now. Using this metric, we compare several state-of-the-art inverse modeling approaches on four benchmark tasks: two existing tasks, one simple task for visualization and one new task from metamaterial design. Finally, inspired by our conception of the inverse problem, we explore a solution that uses a deep learning model to approximate the forward model, and then uses backpropagation to search for good inverse solutions. This approach, termed the neural-adjoint, achieves the best performance in many scenarios.
• Abstract（参考訳）: 我々は,自然システムの隠れたパラメータを決定づけて,特定の測定値の組を生じさせるような一般的な逆問題を解くタスクを考える。 近年,ディープラーニングに基づく新しいアプローチが数多く出現し,目覚ましい結果が得られた。 我々はこれらのモデルを、効率的に、しかしランダムに、可能な逆解の空間を探索するための異なるスキームとして概念化する。 その結果、現在ではしばしば行われているように、各アプローチの精度は単一の推定解ではなく時間の関数として評価されるべきである。 このメトリックを用いて、4つのベンチマークタスクにおける最先端の逆モデリングアプローチを比較する: 2つの既存のタスク、1つの可視化のための単純なタスク、そして1つのメタマテリアルデザインによる新しいタスク。 最後に, 逆問題の概念に触発されて, 深層学習モデルを用いて前方モデルに近似した解を探索し, 逆解析を用いて優れた逆解を探索する。 このアプローチはneural-adjointと呼ばれ、多くのシナリオで最高のパフォーマンスを達成します。

関連論文リスト

• Inverse Problems with Diffusion Models: A MAP Estimation Perspective [5.002087490888723]
  コンピュータでは、インペイント、デブロアリング、超解像などの画像復元タスクを逆問題として形式的にモデル化することができる。 本研究では,連続時間拡散モデルの逆条件生成過程をモデル化するMAP推定フレームワークを提案する。 提案手法を用いて,画像復元のための効率的なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-07-27T15:41:13Z)
• Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
  既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。 所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。 我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
  論文  参考訳（メタデータ） (2023-04-12T14:51:47Z)
• Accelerating Inverse Learning via Intelligent Localization with Exploratory Sampling [1.5976506570992293]
  逆問題の解決は 物質と薬物発見の 長年の課題です 近年,逆問題の解法として深部生成モデルが提案されている。 逆学習を高速化する新しい手法(iPage)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T08:00:04Z)
• Mixture Manifold Networks: A Computationally Efficient Baseline for Inverse Modeling [7.891408798179181]
  汎用逆問題に対処する新しい手法を提案する。 近年の研究では、ディープラーニングによる顕著な結果が示されているが、モデルの性能と計算時間との間にはトレードオフがある。
  論文  参考訳（メタデータ） (2022-11-25T20:18:07Z)
• Pareto Set Learning for Neural Multi-objective Combinatorial Optimization [6.091096843566857]
  多目的最適化(MOCO)の問題は、現実世界の多くのアプリケーションで見られる。 我々は,与えられたMOCO問題に対するパレート集合全体を,探索手順を伴わずに近似する学習ベースアプローチを開発した。 提案手法は,多目的走行セールスマン問題,マルチコンディショニング車両ルーティング問題,複数クナップサック問題において,ソリューションの品質,速度,モデル効率の面で,他の方法よりも優れていた。
  論文  参考訳（メタデータ） (2022-03-29T09:26:22Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
  入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。 この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。 ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
  論文  参考訳（メタデータ） (2021-10-27T05:37:12Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• Regularization via deep generative models: an analysis point of view [8.818465117061205]
  本稿では, イメージングにおける逆問題(例えば, デブロアリングやインペインティング)を, 深部生成ニューラルネットワークを用いて正則化する新しい手法を提案する。 多くの場合、我々の技術はパフォーマンスの明確な改善を実現し、より堅牢であるように思える。
  論文  参考訳（メタデータ） (2021-01-21T15:04:57Z)
• Deep Feedback Inverse Problem Solver [141.26041463617963]
  逆問題に対する効率的で効果的で汎用的なアプローチを提案する。 我々は、フォワードプロセスが提供するフィードバック信号を活用し、反復的な更新モデルを学ぶ。 私たちのアプローチは前もってのプロセスに制限がなく、事前の知識も必要ありません。
  論文  参考訳（メタデータ） (2021-01-19T16:49:06Z)
• Sequential Transfer in Reinforcement Learning with a Generative Model [48.40219742217783]
  本稿では,従来の課題から知識を移譲することで,新たな課題を学習する際のサンプルの複雑さを軽減する方法について述べる。 この種の事前知識を使用することのメリットを明確に示すために,PAC境界のサンプル複雑性を導出する。 簡単なシミュレートされた領域における理論的な発見を実証的に検証する。
  論文  参考訳（メタデータ） (2020-07-01T19:53:35Z)

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。