論文の概要: Scaffolding Simulations with Deep Learning for High-dimensional Deconvolution

• arxiv url: http://arxiv.org/abs/2105.04448v1
• Date: Mon, 10 May 2021 15:16:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 17:10:51.757462
• Title: Scaffolding Simulations with Deep Learning for High-dimensional Deconvolution
• Title（参考訳）: 深層学習による高次元デコンボリューションのための足場シミュレーション
• Authors: Anders Andreassen, Patrick T. Komiske, Eric M. Metodiev, Benjamin Nachman, Adi Suresh, and Jesse Thaler
• Abstract要約: OmniFold と呼ばれるこの設定において,シミュレーションに基づく最大確率デコンボリューション手法を提案する。 ディープラーニングは、このアプローチを自然に非結合で(可変で)高次元にすることができる。 我々は,OmniFoldが検出歪みを除去できるだけでなく,ノイズ処理や受入効果も考慮できることを示す。
• 参考スコア（独自算出の注目度）: 0.3078691410268859
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A common setting for scientific inference is the ability to sample from a high-fidelity forward model (simulation) without having an explicit probability density of the data. We propose a simulation-based maximum likelihood deconvolution approach in this setting called OmniFold. Deep learning enables this approach to be naturally unbinned and (variable-, and) high-dimensional. In contrast to model parameter estimation, the goal of deconvolution is to remove detector distortions in order to enable a variety of down-stream inference tasks. Our approach is the deep learning generalization of the common Richardson-Lucy approach that is also called Iterative Bayesian Unfolding in particle physics. We show how OmniFold can not only remove detector distortions, but it can also account for noise processes and acceptance effects.
• Abstract（参考訳）: 科学的推論の一般的な設定は、データの明示的な確率密度を持つことなく、高忠実度フォワードモデル(シミュレーション)からサンプリングする能力である。 本稿では,OmniFold という手法を用いてシミュレーションに基づく最大解法を提案する。 ディープラーニングは、このアプローチを自然に非結合で(可変で)高次元にすることができる。 モデルパラメータ推定とは対照的に、デコンボリューションの目的は、様々な下流推論タスクを可能にするために検出器歪みを取り除くことである。 我々のアプローチは、粒子物理学における反復ベイズ展開とも呼ばれる、共通リチャードソン-ルーシーアプローチのディープラーニング一般化である。 我々は,OmniFoldが検出歪みを除去できるだけでなく,ノイズ処理や受入効果も考慮できることを示す。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Multidimensional Deconvolution with Profiling [0.28587848809639416]
  多くの実験的文脈において、測定を物理的に解釈するためには、機器効果の影響を統計的に除去する必要がある。 我々は,OmniFold (OF) アルゴリズムと同様の反復方式で動作し,ニュアンスパラメータを同時にプロファイリングできる新しいアルゴリズムである Profile OmniFold (POF) を提案する。
  論文  参考訳（メタデータ） (2024-09-16T15:52:28Z)
• Parallel and Limited Data Voice Conversion Using Stochastic Variational Deep Kernel Learning [2.5782420501870296]
  本稿では,限られたデータを扱う音声変換手法を提案する。 変分深層学習(SVDKL)に基づく。 非滑らかでより複雑な関数を推定することができる。
  論文  参考訳（メタデータ） (2023-09-08T16:32:47Z)
• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• Learning to Simulate Tree-Branch Dynamics for Manipulation [26.808346972775368]
  そこで本研究では,木枝の動力学をモデル化するために,シミュレーション駆動逆推論手法を提案する。 本モデルでは, 変形軌跡を予測し, 推定の不確かさを定量化し, ベースラインが他の推論アルゴリズムに逆らう場合, 精度が向上することを示す。
  論文  参考訳（メタデータ） (2023-06-06T05:17:02Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Arbitrary Marginal Neural Ratio Estimation for Simulation-based Inference [7.888755225607877]
  本稿では,数値積分に頼らずにパラメータの任意の部分集合に対する償却推論を可能にする新しい手法を提案する。 重力波観測による二元ブラックホール系のパラメータ推定法の適用性を示す。
  論文  参考訳（メタデータ） (2021-10-01T14:35:46Z)
• 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)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)

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。