論文の概要: Solving a percolation inverse problem with a divide-and-concur algorithm

• arxiv url: http://arxiv.org/abs/2201.12222v1
• Date: Fri, 28 Jan 2022 16:24:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 16:49:15.220219
• Title: Solving a percolation inverse problem with a divide-and-concur algorithm
• Title（参考訳）: 分割コンカレントアルゴリズムによるパーコレーション逆問題の解法
• Authors: Sean Deyo
• Abstract要約: どのノードのペアが電流を相互に通電させるかという情報が与えられたら、ダイオードネットワークは観測された電流と整合して構築できるだろうか? そこで本研究では,この問題の非自明な事例に対する包括的アプローチに対する手法の優位性を実証するため,分割・収束反復予測法を実装した。 パーコレーションデータの全てを隠蔽している場合が最も困難であり、一般に再構成するのが最も難しいのは、電流が1つのダイオードの追加や削除に最も敏感である場合である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a percolation inverse problem for diode networks: Given information about which pairs of nodes allow current to percolate from one to the other, can one construct a diode network consistent with the observed currents? We implement a divide-and-concur iterative projection method for solving the problem and demonstrate the supremacy of our method over an exhaustive approach for nontrivial instances of the problem. We find that the problem is most difficult when some but not all of the percolation data are hidden, and that the most difficult networks to reconstruct generally are those for which the currents are most sensitive to the addition or removal of a single diode.
• Abstract（参考訳）: 我々は,ダイオードネットワークに対するパーコレーション逆問題を提案する。どのノードが電流を相互にパーコレーションできるかという情報があれば,観測電流と一致したダイオードネットワークを構築することができるか? そこで本研究では,この問題の非自明な事例に対する包括的アプローチに対する手法の優位性を実証するため,分割・収束反復予測法を実装した。 パーコレーションデータが全て隠されていない場合、問題は最も困難であり、一般に再構成する最も難しいネットワークは、電流が1つのダイオードの追加や削除に最も敏感である場合である。

関連論文リスト

• Paired Autoencoders for Inverse Problems [3.355436702348694]
  前方問題は偏微分方程式の離散化である非線形逆問題の解を考える。 典型的なアルゴリズムの主な計算ボトルネックは、データ不適合性の直接推定である。 逆問題に対する確率自由度推定器として,ペアオートエンコーダフレームワークを用いる。
  論文  参考訳（メタデータ） (2024-05-21T22:00:34Z)
• Gappy local conformal auto-encoders for heterogeneous data fusion: in praise of rigidity [6.1152340690876095]
  本稿では,このタスクのためのマルチオートエンコーダニューラルネットワークアーキテクチャの形で,エンドツーエンドの計算パイプラインを提案する。 パイプラインへの入力はいくつかの部分的な観測の集合であり、その結果は全世界的に一貫した潜在空間となり、すべての測定を調和させる(剛性化、融合)。 簡単な2次元データセットから始まり、Wi-Fiのローカライゼーション問題へと進む。
  論文  参考訳（メタデータ） (2023-12-20T16:18:51Z)
• 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)
• Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
  我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。 この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。 本手法は理論上も経験上も従来の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-02T09:06:10Z)
• Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
  クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。 本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。 ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2021-12-03T14:23:05Z)
• DeepSplit: Scalable Verification of Deep Neural Networks via Operator Splitting [70.62923754433461]
  入力摂動に対するディープニューラルネットワークの最悪の性能を分析することは、大規模な非最適化問題の解決につながる。 解析解を持つ小さなサブプロブレムに分割することで,問題の凸緩和を直接高精度に解ける新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-16T20:43:49Z)
• Solving Inverse Problems for Spectral Energy Distributions with Deep Generative Networks [5.113310644820615]
  スペクトルエネルギー分布 (Spectral Energy Distributions, SEDs) という複雑な天文信号の逆問題に対するエンドツーエンドのアプローチを提案する。 私たちの目標は、そのような信号を不足または信頼性の低い測定から再構築することです。 学習した構造をDeep Generative Networkの形で事前に活用することで実現します。
  論文  参考訳（メタデータ） (2020-12-09T12:04:13Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• Differentiable Causal Discovery from Interventional Data [141.41931444927184]
  本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T15:19:17Z)
• 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)
• Regularization of Inverse Problems by Neural Networks [0.0]
  逆問題は、計算トモグラフィー、非破壊検査、リモートセンシングを含む様々な画像アプリケーションで発生する。 逆問題の特徴は、解の非特異性と不安定性である。 ディープラーニング技術とニューラルネットワークは、逆問題に対する古典的解法を大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2020-06-06T20:49:12Z)

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。