論文の概要: Invertible Neural Networks versus MCMC for Posterior Reconstruction in
Grazing Incidence X-Ray Fluorescence
- arxiv url: http://arxiv.org/abs/2102.03189v1
- Date: Fri, 5 Feb 2021 14:17:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-08 12:53:21.184542
- Title: Invertible Neural Networks versus MCMC for Posterior Reconstruction in
Grazing Incidence X-Ray Fluorescence
- Title(参考訳): グラジングインシデンスX線蛍光における後部再建のための逆ニューラルネットワークとMCMC
- Authors: Anna Andrle, Nando Farchmin, Paul Hagemann, Sebastian Heidenreich,
Victor Soltwisch, Gabriele Steidl
- Abstract要約: 本稿では,フォワードモデルが生成した雑音の測定値に基づいて,適切に学習された非可逆ニューラルネットワークを用いて後部パラメータ分布を再構成する。
提案手法はマルコフ・チェイン・モンテカルロ法と競合するが, より効率的かつ柔軟であることを示す。
- 参考スコア(独自算出の注目度): 0.3232625980782302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Grazing incidence X-ray fluorescence is a non-destructive technique for
analyzing the geometry and compositional parameters of nanostructures appearing
e.g. in computer chips. In this paper, we propose to reconstruct the posterior
parameter distribution given a noisy measurement generated by the forward model
by an appropriately learned invertible neural network. This network resembles
the transport map from a reference distribution to the posterior. We
demonstrate by numerical comparisons that our method can compete with
established Markov Chain Monte Carlo approaches, while being more efficient and
flexible in applications.
- Abstract(参考訳): グレージングインシデントX線蛍光は、例えば出現するナノ構造の幾何学および組成パラメータを分析する非破壊的手法である。
コンピューターチップで
本論文では,前方モデルが生成する雑音測定から得られた後方パラメータ分布を,適切に学習した可逆ニューラルネットワークを用いて再構成することを提案する。
このネットワークは、参照分布から後方への輸送マップに似ている。
本手法が既存のマルコフチェーンモンテカルロアプローチと競合できることを数値的に比較し、より効率的かつ柔軟であることを示します。
関連論文リスト
- TetCNN: Convolutional Neural Networks on Tetrahedral Meshes [2.952111139469156]
畳み込みニューラルネットワーク(CNN)は、画像、ビデオ、グラフ、三角形メッシュで広く研究されている。
四面体メッシュ構造のための新しい解釈可能なグラフCNNフレームワークを提案する。
ChebyNetにインスパイアされた当社のモデルは,LBO(ボリュームラプラス・ベルトラミ演算子)を用いて,一般的に使用されているグラフラプラシアン上のフィルタを定義する。
論文 参考訳(メタデータ) (2023-02-08T01:52:48Z) - Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。
幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
論文 参考訳(メタデータ) (2023-02-01T03:18:07Z) - Learnable Filters for Geometric Scattering Modules [64.03877398967282]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2022-08-15T22:30:07Z) - Quiver neural networks [5.076419064097734]
ニューラルネットワーク接続アーキテクチャの解析に対する一様理論的アプローチを開発する。
数学におけるquiver表現理論にインスパイアされたこのアプローチは、精巧なデータフローを捉えるためのコンパクトな方法を与える。
論文 参考訳(メタデータ) (2022-07-26T09:42:45Z) - PAC-Bayes training for neural networks: sparsity and uncertainty
quantification [0.0]
非パラメトリック回帰条件下で, 疎深層ニューラルネットに対するPAC-Bayes理論のギブス後部分布について検討した。
トレーニングにより、ネットワークパラメータに結合分布を持つベイズニューラルネットワークが得られる。
論文 参考訳(メタデータ) (2022-04-26T15:48:24Z) - 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) - MRI Reconstruction via Data Driven Markov Chain with Joint Uncertainty
Estimation [3.5751623095926806]
本稿では,MRI再構成のための学習確率分布からの効率的なサンプリングを可能にするフレームワークを提案する。
データ駆動型マルコフ連鎖は、所定の画像データベースから学習した生成モデルから構築される。
提案手法の性能は, 10倍の高速化獲得を用いて, オープンデータセット上で評価する。
論文 参考訳(メタデータ) (2022-02-03T09:13:49Z) - 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment
Feedback Loop [128.07841893637337]
回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。
パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。
本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
論文 参考訳(メタデータ) (2021-03-30T17:07:49Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2020-10-06T01:20:27Z) - Equivalence in Deep Neural Networks via Conjugate Matrix Ensembles [0.0]
ディープラーニングアーキテクチャの等価性を検出するための数値解析手法を開発した。
経験的証拠は、ニューラルアーキテクチャのスペクトル密度とそれに対応する共役円形アンサンブルの差が消えているという現象を裏付けている。
論文 参考訳(メタデータ) (2020-06-14T12:34:13Z) - Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric
graphs [81.12344211998635]
メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。
本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。
本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
論文 参考訳(メタデータ) (2020-03-11T17:21:15Z)
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。