論文の概要: HypoSVI: Hypocenter inversion with Stein variational inference and Physics Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2101.03271v2
• Date: Tue, 12 Jan 2021 20:49:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-09 07:20:55.952425
• Title: HypoSVI: Hypocenter inversion with Stein variational inference and Physics Informed Neural Networks
• Title（参考訳）: hypoSVI: スタイン変動推論と物理インフォームドニューラルネットワークを用いた低中心インバージョン
• Authors: Jonathan D. Smith, Zachary E. Ross, Kamyar Azizzadenesheli, Jack B. Muir
• Abstract要約: 定常変動を考慮した分散音響インバージョン方式を提案する。 我々のアプローチは、ニューラルネットワークの形で微分可能なフォワードモデルを用いる。 ディファレンシャルタイムの数で需要が効率的に拡大していることを示します。
• 参考スコア（独自算出の注目度）: 6.102077733475759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a scheme for probabilistic hypocenter inversion with Stein variational inference. Our approach uses a differentiable forward model in the form of a physics-informed neural network, which we train to solve the Eikonal equation. This allows for rapid approximation of the posterior by iteratively optimizing a collection of particles against a kernelized Stein discrepancy. We show that the method is well-equipped to handle highly non-convex posterior distributions, which are common in hypocentral inverse problems. A suite of experiments is performed to examine the influence of the various hyperparameters. Once trained, the method is valid for any network geometry within the study area without the need to build travel time tables. We show that the computational demands scale efficiently with the number of differential times, making it ideal for large-N sensing technologies like Distributed Acoustic Sensing.
• Abstract（参考訳）: ステイン変分推論を用いた確率的中心反転のスキームを提案する。 我々のアプローチは、アイコン方程式の解法を訓練する物理インフォームドニューラルネットワークの形で、微分可能フォワードモデルを用いている。 これにより、核化されたスタインの差分に対して粒子の集まりを反復的に最適化することで、後部を迅速に近似することができる。 本手法は,低中央分散逆問題に共通する非凸後部分布を扱うのに最適であることを示す。 様々なハイパーパラメータの影響を調べるために一連の実験が行われた。 一度トレーニングすれば、旅行時間表を構築する必要なしに、学習領域内の任意のネットワーク幾何に対して有効である。 本研究では,分散音響センシングのような大規模N型センシング技術に最適であることを示す。

関連論文リスト

• Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
  高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。 我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
  論文  参考訳（メタデータ） (2024-06-05T17:59:22Z)
• Solving partial differential equations with sampled neural networks [1.8590821261905535]
  偏微分方程式(PDE)に対する解の近似は計算科学や工学において重要な問題である。 データに依存しない確率分布から、アンザッツネットワークの隠れた重みとバイアスをサンプリングすることで、両課題を進展させる方法について論じる。
  論文  参考訳（メタデータ） (2024-05-31T14:24:39Z)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• A DeepParticle method for learning and generating aggregation patterns in multi-dimensional Keller-Segel chemotaxis systems [3.6184545598911724]
  ケラー・セガル (KS) ケモタキシー系の2次元および3次元における凝集パターンと近傍特異解の正則化相互作用粒子法について検討した。 さらに,物理パラメータの異なる解を学習し,生成するためのDeepParticle (DP) 法を開発した。
  論文  参考訳（メタデータ） (2022-08-31T20:52:01Z)
• Probability flow solution of the Fokker-Planck equation [10.484851004093919]
  確率の流れを記述した常微分方程式の統合に基づく代替スキームを導入する。 力学とは異なり、この方程式は決定論的に初期密度からのサンプルを後から溶液のサンプルにプッシュする。 我々のアプローチは、生成モデルのためのスコアベース拡散の最近の進歩に基づいている。
  論文  参考訳（メタデータ） (2022-06-09T17:37:09Z)
• Laplace HypoPINN: Physics-Informed Neural Network for hypocenter localization and its predictive uncertainty [0.0]
  PINNに基づく低中心位置推定のための逆変換フレームワークを開発した。 本稿では,HypoPINNの重みと偏りのランダムな実現から不確かさの伝播を検討する。
  論文  参考訳（メタデータ） (2022-05-28T13:59:32Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Neural Variational Gradient Descent [6.414093278187509]
  Stein Variational Gradient Descent (SVGD) のような粒子ベースの近似ベイズ推論アプローチは、サンプリング法の柔軟性と収束保証と、変分推論の計算上の利点を組み合わせたものである。 本稿では,パラメータを推論に並列に学習するディープニューラルネットワークを用いて,スタインの識別の目撃関数をパラメータ化し,カーネル選択の必要を緩和するニューラルニューラルニューラル・ニューラル変分差勾配(NVGD)を提案する。
  論文  参考訳（メタデータ） (2021-07-22T15:10:50Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Effective Version Space Reduction for Convolutional Neural Networks [61.84773892603885]
  アクティブラーニングでは、サンプリングバイアスは深刻な矛盾問題を引き起こし、アルゴリズムが最適な仮説を見つけるのを妨げる可能性がある。 本稿では,畳み込みニューラルネットワークを用いた能動学習について,バージョン空間削減の原理的レンズを用いて検討する。
  論文  参考訳（メタデータ） (2020-06-22T17:40:03Z)

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。