論文の概要: A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors
- arxiv url: http://arxiv.org/abs/2111.13329v1
- Date: Fri, 26 Nov 2021 06:33:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 17:48:25.720625
- Title: A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors
- Title(参考訳): 変分推論によるガンマハイパープライアーの逆問題へのアプローチ
- Authors: Shiv Agrawal, Hwanwoo Kim, Alexander Strang, and Daniel Sanz-Alonso
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 60.489902135153415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hierarchical models with gamma hyperpriors provide a flexible,
sparse-promoting framework to bridge $L^1$ and $L^2$ regularizations in
Bayesian formulations to inverse problems. Despite the Bayesian motivation for
these models, existing methodologies are limited to \textit{maximum a
posteriori} estimation. The potential to perform uncertainty quantification has
not yet been realized. This paper introduces a variational iterative
alternating scheme for hierarchical inverse problems with gamma hyperpriors.
The proposed variational inference approach yields accurate reconstruction,
provides meaningful uncertainty quantification, and is easy to implement. In
addition, it lends itself naturally to conduct model selection for the choice
of hyperparameters. We illustrate the performance of our methodology in several
computed examples, including a deconvolution problem and sparse identification
of dynamical systems from time series data.
- Abstract(参考訳): ガンマハイパープライアーを持つ階層モデルは、逆問題に対するベイズ式における$L^1$および$L^2$正規化をブリッジする柔軟なスパースプロモーティングフレームワークを提供する。
これらのモデルに対するベイズ的動機にもかかわらず、既存の方法論は \textit{maximum a reari} 推定に限られる。
不確実性定量化の可能性はまだ実現されていない。
本稿では,ガンマハイパープリアーを用いた階層的逆問題に対する変分反復交代スキームを提案する。
提案する変分推論手法は正確な再構成を導き、有意義な不確かさの定量化を提供し、実装が容易である。
さらに、ハイパーパラメータの選択のためのモデル選択を行うのに自然に役立ちます。
本手法は,時系列データから解畳問題や動的システムのスパース同定など,いくつかの計算例で性能を示す。
関連論文リスト
- Multi-Response Heteroscedastic Gaussian Process Models and Their
Inference [1.52292571922932]
本稿ではヘテロセダスティック共分散関数のモデリングのための新しいフレームワークを提案する。
後部モデルに近似し, 後部予測モデルを容易にするために, 変分推論を用いる。
提案するフレームワークは,幅広いアプリケーションに対して,堅牢で汎用的なツールを提供する。
論文 参考訳(メタデータ) (2023-08-29T15:06:47Z) - 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) - Exact Manifold Gaussian Variational Bayes [76.95091121622674]
複雑なモデルにおける変分推論(VI)の最適化アルゴリズムを提案する。
本研究では,変分行列上の正定値制約を暗黙的に満足するガウス変分推論の効率的なアルゴリズムを開発する。
ブラックボックスの性質のため、EMGVBは複雑なモデルにおけるVIのための準備が整ったソリューションである。
論文 参考訳(メタデータ) (2022-10-26T10:12:31Z) - Quasi Black-Box Variational Inference with Natural Gradients for
Bayesian Learning [84.90242084523565]
複素モデルにおけるベイズ学習に適した最適化アルゴリズムを開発した。
我々のアプローチは、モデル固有導出に制限のある効率的なトレーニングのための一般的なブラックボックスフレームワーク内の自然な勾配更新に依存している。
論文 参考訳(メタデータ) (2022-05-23T18:54:27Z) - Compositional Modeling of Nonlinear Dynamical Systems with ODE-based
Random Features [0.0]
この問題に対処するための新しいドメインに依存しないアプローチを提案する。
我々は、通常の微分方程式から導かれる物理インフォームド・ランダムな特徴の合成を用いる。
提案手法は,ベンチマーク回帰タスクにおいて,他の多くの確率モデルに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2021-06-10T17:55:13Z) - A Variational Inference Framework for Inverse Problems [1.2712661944741168]
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。
論文 参考訳(メタデータ) (2021-03-10T07:37:20Z) - Variational Nonlinear System Identification [0.8793721044482611]
本稿では,非線形状態空間モデルに対するパラメータ推定について検討する。
我々は,最大確率推定に深いつながりを持つ原理的手法である変分推論(vi)アプローチを採用する。
このviアプローチは最終的に、決定論的で扱いやすく、標準最適化ツールを使って解決できる最適化問題の解としてモデルの推定を提供する。
論文 参考訳(メタデータ) (2020-12-08T05:43:50Z) - Stein Variational Model Predictive Control [130.60527864489168]
不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。
モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。
この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
論文 参考訳(メタデータ) (2020-11-15T22:36:59Z) - Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。
提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
論文 参考訳(メタデータ) (2020-09-29T15:00:47Z) - Uncertainty Modelling in Risk-averse Supply Chain Systems Using
Multi-objective Pareto Optimization [0.0]
サプライチェーンモデリングにおける困難なタスクの1つは、不規則な変動に対して堅牢なモデルを構築することである。
我々は、不確実性を扱うためのパレート最適化(Pareto Optimization)という新しい手法を導入し、これらの不確実性のエントロピーをアプリオリ仮定の下で明示的にモデル化することで拘束する。
論文 参考訳(メタデータ) (2020-04-24T21:04:25Z)
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。