論文の概要: A Variational Inference Framework for Inverse Problems

• arxiv url: http://arxiv.org/abs/2103.05909v1
• Date: Wed, 10 Mar 2021 07:37:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-11 14:40:53.489283
• Title: A Variational Inference Framework for Inverse Problems
• Title（参考訳）: 逆問題に対する変分推論フレームワーク
• Authors: Luca Maestrini, Robert G. Aykroyd and Matt P. Wand
• Abstract要約: 変動ベイズ近似による逆問題モデル適合の枠組みを提案する。 この方法論は、幅広いアプリケーションに対する統計モデル仕様への柔軟性を保証する。
• 参考スコア（独自算出の注目度）: 1.2712661944741168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a framework for fitting inverse problem models via variational Bayes approximations. This methodology guarantees flexibility to statistical model specification for a broad range of applications, good accuracy performances and reduced model fitting times, when compared with standard Markov chain Monte Carlo methods. The message passing and factor graph fragment approach to variational Bayes we describe facilitates streamlined implementation of approximate inference algorithms and forms the basis to software development. Such approach allows for supple inclusion of numerous response distributions and penalizations into the inverse problem model. Albeit our analysis is circumscribed to one- and two-dimensional response variables, we lay down an infrastructure where streamlining algorithmic steps based on nullifying weak interactions between variables are extendible to inverse problems in higher dimensions. Image processing applications motivated by biomedical and archaeological problems are included as illustrations.
• Abstract（参考訳）: 変動ベイズ近似による逆問題モデル適合の枠組みを提案する。 この手法は、標準的なマルコフ連鎖モンテカルロ法と比較して、幅広いアプリケーションに対する統計モデル仕様の柔軟性、精度の向上、モデルの適合時間短縮を保証する。 私たちが説明する変分ベイズに対するメッセージパッシングと因子グラフフラグメントのアプローチは、近似推論アルゴリズムの実装を合理化し、ソフトウェア開発の基礎を形成する。 このようなアプローチにより、多数の応答分布とペナリゼーションを逆問題モデルに置き換えることができる。 解析は1次元および2次元の応答変数に概説されるが,変数間の弱い相互作用の無効化に基づくアルゴリズムステップの合理化は,高次元の逆問題に拡張可能である。 生体医学的・考古学的問題に動機づけられた画像処理アプリケーションもイラストに含まれています。

関連論文リスト

• Joint Graph Learning and Model Fitting in Laplacian Regularized Stratified Models [5.933030735757292]
  ラプラシア正規化成層モデル(Laplacian regularized Stratified Model、LRSM)は、サブプロブレムの明示的または暗黙的なネットワーク構造を利用するモデルである。 本稿では,LRSMにおけるグラフ重みの重要性と感度を示し,その感度が任意に大きいことを示す。 本稿では,1つの最適化問題を解くことで,モデルパラメータを適合させながらグラフを共同学習する汎用的手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T06:06:29Z)
• Scalable Variational Bayes methods for Hawkes processes [2.3848738964230023]
  非パラメトリックな設定では、ホークス過程の時間的依存構造を学習することは、しばしば計算的に高価な作業である。 グラフパラメータを選択するためのしきい値に基づく2段階のアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-01T05:35:32Z)
• Variational Laplace Autoencoders [53.08170674326728]
  変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。 完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。 また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
  論文  参考訳（メタデータ） (2022-11-30T18:59:27Z)
• Graphically Structured Diffusion Models [13.547280772634524]
  問題固有の構造を持つ深層生成モデルを自動的に定義・学習するフレームワークを提案する。 我々は、ソート、スードゥークに対する制約満足度、行列分解といったアルゴリズムによって、従来より解決されてきた問題領域に取り組む。
  論文  参考訳（メタデータ） (2022-10-20T23:36:01Z)
• SARAH-based Variance-reduced Algorithm for Stochastic Finite-sum Cocoercive Variational Inequalities [137.6408511310322]
  有限サムコヒーレンシブ変分不等式の問題を考える。 強い単調な問題に対しては、この方法を用いて解への線形収束を達成することができる。
  論文  参考訳（メタデータ） (2022-10-12T08:04:48Z)
• Recursive Monte Carlo and Variational Inference with Auxiliary Variables [64.25762042361839]
  再帰的補助変数推論(RAVI)はフレキシブルな提案を利用するための新しいフレームワークである。 RAVIは、表現力のある表現力のある家族を推論するためのいくつかの既存の手法を一般化し、統一する。 RAVIの設計枠組みと定理を,SalimansらによるMarkov Chain Variational Inferenceを用いて解析し,改良することにより示す。
  論文  参考訳（メタデータ） (2022-03-05T23:52:40Z)
• A Variational Inference Approach to Inverse Problems with Gamma Hyperpriors [60.489902135153415]
  本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。 提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
  論文  参考訳（メタデータ） (2021-11-26T06:33:29Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)
• Joint learning of variational representations and solvers for inverse problems with partially-observed data [13.984814587222811]
  本稿では,教師付き環境において,逆問題に対する実際の変分フレームワークを学習するためのエンドツーエンドフレームワークを設計する。 変動コストと勾配に基づく解法はどちらも、後者の自動微分を用いたニューラルネットワークとして記述される。 これにより、データ駆動による変分モデルの発見につながる。
  論文  参考訳（メタデータ） (2020-06-05T19:53:34Z)

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。