論文の概要: Solution of Physics-based Bayesian Inverse Problems with Deep Generative Priors

• arxiv url: http://arxiv.org/abs/2107.02926v1
• Date: Tue, 6 Jul 2021 22:23:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-09 03:47:29.735600
• Title: Solution of Physics-based Bayesian Inverse Problems with Deep Generative Priors
• Title（参考訳）: 深い生成優先を伴う物理ベースのベイズ逆問題の解法
• Authors: Dhruv V Patel, Deep Ray, Assad A Oberai
• Abstract要約: 逆問題(英語版)は、解がない、あるいは測定の小さな摂動に大きく反応する解を持つため、解決が難しいことで知られている。 推論問題として逆問題を引き起こすベイア推論は、これらの問題に対処する。 大きな次元のベクトルを推測する場合や、以前に取得したサンプルから事前情報が得られる場合、利用は困難である。 我々はこれらの考え方を、物理原則、事前知識の源泉、測定の種類、測定ノイズに関する利用可能な情報の範囲において多岐にわたる問題に応用する。
• 参考スコア（独自算出の注目度）: 0.5156484100374059
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inverse problems are notoriously difficult to solve because they can have no solutions, multiple solutions, or have solutions that vary significantly in response to small perturbations in measurements. Bayesian inference, which poses an inverse problem as a stochastic inference problem, addresses these difficulties and provides quantitative estimates of the inferred field and the associated uncertainty. However, it is difficult to employ when inferring vectors of large dimensions, and/or when prior information is available through previously acquired samples. In this paper, we describe how deep generative adversarial networks can be used to represent the prior distribution in Bayesian inference and overcome these challenges. We apply these ideas to inverse problems that are diverse in terms of the governing physical principles, sources of prior knowledge, type of measurement, and the extent of available information about measurement noise. In each case we apply the proposed approach to infer the most likely solution and quantitative estimates of uncertainty.
• Abstract（参考訳）: 逆問題は非常に解決が難しいのは、解がない、複数の解がある、あるいは測定の小さな摂動に応答して大きく変化する解があるからである。 確率的推論問題として逆問題を引き起こすベイズ推論は、これらの困難に対処し、推論された場と関連する不確実性の定量的推定を提供する。 しかし、大きな次元のベクトルを推測する場合や、以前に取得したサンプルから事前情報が得られる場合、利用は困難である。 本稿では,ベイズ推定における先行分布を表現し,これらの課題を克服するために,深層生成逆数ネットワークをどのように利用できるかを説明する。 これらの概念を,物理原理,事前知識の源泉,測定の種類,測定ノイズに関する利用可能な情報量といった観点で多様な逆問題に適用する。 いずれの場合においても,提案手法を適用し,不確実性の最も可能性の高い解と定量的な推定を行う。

関連論文リスト

• Reverse em-problem based on Bregman divergence and its application to classical and quantum information theory [53.64687146666141]
  近年,反復を必要とせずにチャネル容量を計算できる解析手法が提案されている。 トヨタが提案した逆のEm-problemに注意を向けます。 逆の Em-problem の非定型式を導出する。
  論文  参考訳（メタデータ） (2024-03-14T10:20:28Z)
• Variational Gaussian Processes For Linear Inverse Problems [0.0]
  逆問題では、パラメータや信号は、与えられた地図のイメージとして間接的にのみ観察され、観測は通常ノイズで劣化する。 ベイズはこれらの問題を事前分布を通して正規化するための自然な方法を提供し、確率論的解を提供し、問題の残りの不確実性を定量化する。 本稿では,熱方程式,ボルテラ演算子,ラドン変換などの逆問題の集合を考察し,人口と経験的スペクトル特性に基づく変動法を導出する。
  論文  参考訳（メタデータ） (2023-11-01T17:10:38Z)
• Divide-and-conquer embedding for QUBO quantum annealing [0.0]
  組込み問題に焦点をあてたアプローチは、桁違いに性能を向上できることを示す。 以上の結果から,組込み問題に焦点をあてたアプローチにより,桁違いの性能向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2022-11-03T23:22:06Z)
• 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)
• A Mutual Information Maximization Approach for the Spurious Solution Problem in Weakly Supervised Question Answering [60.768146126094955]
  弱々しい教師付き質問応答は通常、最終的な答えのみを監督信号として持つ。 偶然に正解を導出する刺激的な解が多数存在するかもしれないが、そのような解の訓練はモデルの性能を損なう可能性がある。 本稿では,質問応答対と予測解間の相互情報の最大化により,このような意味的相関を明示的に活用することを提案する。
  論文  参考訳（メタデータ） (2021-06-14T05:47:41Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Total Deep Variation: A Stable Regularizer for Inverse Problems [71.90933869570914]
  本稿では,データ駆動型汎用全深度変動正規化器について紹介する。 コアでは、畳み込みニューラルネットワークが複数のスケールや連続したブロックで局所的な特徴を抽出する。 我々は多数の画像処理タスクに対して最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-06-15T21:54:15Z)
• Solving Inverse Problems with a Flow-based Noise Model [100.18560761392692]
  本研究では,従来の正規化フローを用いた画像逆問題について検討する。 我々の定式化は、この解を測定値に条件付けされた画像の最大後値推定とみなす。 提案手法の様々な逆問題に対する有効性について実験的に検証した。
  論文  参考訳（メタデータ） (2020-03-18T08:33:49Z)
• Composing Normalizing Flows for Inverse Problems [89.06155049265641]
  本稿では,2つの流れモデルの合成として,対象条件を推定する近似推論フレームワークを提案する。 本手法は,様々な逆問題に対して評価し,不確実性のある高品質な試料を作製することを示した。
  論文  参考訳（メタデータ） (2020-02-26T19:01:11Z)

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。