論文の概要: Solving Inverse Problems for Spectral Energy Distributions with Deep Generative Networks

• arxiv url: http://arxiv.org/abs/2012.06331v1
• Date: Wed, 9 Dec 2020 12:04:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 09:42:47.289518
• Title: Solving Inverse Problems for Spectral Energy Distributions with Deep Generative Networks
• Title（参考訳）: 深部生成ネットワークを用いたスペクトルエネルギー分布の逆問題解法
• Authors: Agapi Rissaki, Orestis Pavlou, Dimitris Fotakis, Vicky Papadopoulou, Andreas Efstathiou
• Abstract要約: スペクトルエネルギー分布 (Spectral Energy Distributions, SEDs) という複雑な天文信号の逆問題に対するエンドツーエンドのアプローチを提案する。 私たちの目標は、そのような信号を不足または信頼性の低い測定から再構築することです。 学習した構造をDeep Generative Networkの形で事前に活用することで実現します。
• 参考スコア（独自算出の注目度）: 5.113310644820615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose an end-to-end approach for solving inverse problems for a class of complex astronomical signals, namely Spectral Energy Distributions (SEDs). Our goal is to reconstruct such signals from scarce and/or unreliable measurements. We achieve that by leveraging a learned structural prior in the form of a Deep Generative Network. Similar methods have been tested almost exclusively for images which display useful properties (e.g., locality, periodicity) that are implicitly exploited. However, SEDs lack such properties which make the problem more challenging. We manage to successfully extend the methods to SEDs using a Generative Latent Optimization model trained with significantly fewer and corrupted data.
• Abstract（参考訳）: 本稿では、複雑な天文学的信号のクラス、すなわちスペクトルエネルギー分布(SED)の逆問題に対するエンドツーエンドアプローチを提案する。 私たちのゴールは、そのような信号を不足や信頼性の低い測定から再構築することです。 我々は、学習した構造を深層生成ネットワークの形で活用することで実現した。 同様の方法は、暗黙的に悪用される有用な特性(局所性、周期性など)を表示する画像に対してのみテストされている。 しかし、SEDはそのような性質に欠けており、この問題をより困難にしている。 我々は、非常に少ないデータと破損したデータで訓練されたジェネレーティブ潜在最適化モデルを用いて、メソッドをSEDにうまく拡張することに成功した。

関連論文リスト

• Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
  生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。 本研究ではまず,生成モデルの本質的な特徴について考察する。 本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
  論文  参考訳（メタデータ） (2024-11-01T09:05:47Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral Image Generation with Variance Regularization [72.4394510913927]
  ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。 GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。 この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。 本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:25:02Z)
• Semi-supervised Invertible DeepONets for Bayesian Inverse Problems [8.594140167290098]
  DeepONetsは、学習オペレーターによってパラメトリックPDEを解決する強力なデータ駆動ツールを提供する。 本研究では,高次元ベイズ逆問題(Bayesian inverse problem)の文脈で物理インフォームド・ディープノネット(DeepONets)を用いる。
  論文  参考訳（メタデータ） (2022-09-06T18:55:06Z)
• 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)
• Design of borehole resistivity measurement acquisition systems using deep learning [0.0]
  lwd(loging-while-drilling)装置で記録されたボアホール比抵抗測定は、地球の地下特性を特徴付けるために広く用いられている。 LWD機器は、井戸付近の地表の電気的性質を推定するために、電磁的測定のリアルタイム反転を必要とします。 深層ニューラルネットワーク(dnn)に基づく手法は,ボーリングホール比抵抗測定の高速インバージョンに適している。
  論文  参考訳（メタデータ） (2021-01-12T12:49:44Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• Generative Model without Prior Distribution Matching [26.91643368299913]
  変分オートエンコーダ(VAE)とその変分は、いくつかの先行分布を満たすために低次元の潜在表現を学習することによって古典的な生成モデルである。 我々は、先行変数に適合させるのではなく、先行変数が埋め込み分布と一致するように提案する。
  論文  参考訳（メタデータ） (2020-09-23T09:33:24Z)
• When and How Can Deep Generative Models be Inverted? [28.83334026125828]
  近年, 深部生成モデル (GAN, VAE) が盛んに開発されている。 我々は、そのような生成モデルが可逆である任意の逆アルゴリズム(漸進降下、ディープエンコーダなど)に適用可能な条件を定義する。 本手法は, クリーン信号と劣化信号の両方に対して, 発生器を反転させる際の勾配勾配よりも優れることを示す。
  論文  参考訳（メタデータ） (2020-06-28T09:37:52Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。