論文の概要: Posterior temperature optimized Bayesian models for inverse problems in medical imaging

• arxiv url: http://arxiv.org/abs/2202.00986v1
• Date: Wed, 2 Feb 2022 12:16:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 15:24:38.295370
• Title: Posterior temperature optimized Bayesian models for inverse problems in medical imaging
• Title（参考訳）: 医用画像における逆問題に対する後方温度最適化ベイズモデル
• Authors: Max-Heinrich Laves, Malte T\"olle, Alexander Schlaefer, Sandy Engelhardt
• Abstract要約: 本研究は, 医用画像における逆問題に対する非教師的ベイズ的アプローチである。 最適化後温度が精度の向上と不確実性評価に繋がることを示す。 ソースコードは calibrated.com/Cardio-AI/mfvi-dip-mia で公開されています。
• 参考スコア（独自算出の注目度）: 59.82184400837329
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present Posterior Temperature Optimized Bayesian Inverse Models (POTOBIM), an unsupervised Bayesian approach to inverse problems in medical imaging using mean-field variational inference with a fully tempered posterior. Bayesian methods exhibit useful properties for approaching inverse tasks, such as tomographic reconstruction or image denoising. A suitable prior distribution introduces regularization, which is needed to solve the ill-posed problem and reduces overfitting the data. In practice, however, this often results in a suboptimal posterior temperature, and the full potential of the Bayesian approach is not being exploited. In POTOBIM, we optimize both the parameters of the prior distribution and the posterior temperature with respect to reconstruction accuracy using Bayesian optimization with Gaussian process regression. Our method is extensively evaluated on four different inverse tasks on a variety of modalities with images from public data sets and we demonstrate that an optimized posterior temperature outperforms both non-Bayesian and Bayesian approaches without temperature optimization. The use of an optimized prior distribution and posterior temperature leads to improved accuracy and uncertainty estimation and we show that it is sufficient to find these hyperparameters per task domain. Well-tempered posteriors yield calibrated uncertainty, which increases the reliability in the predictions. Our source code is publicly available at github.com/Cardio-AI/mfvi-dip-mia.
• Abstract（参考訳）: 医用画像における逆問題に対する教師なしベイズ法である後方温度最適化ベイズ逆モデル(potobim)を提案する。 ベイズ法はトモグラフィー再構成や画像復調といった逆タスクに近づく上で有用な性質を示す。 適切な事前分布は、不適切な問題の解決に必要な正規化を導入し、データの過度な適合を減らす。 しかし実際には、これはしばしば準最適後温となり、ベイズ的アプローチの完全なポテンシャルは利用されない。 ポトビムでは, ガウス過程回帰によるベイズ最適化を用いて, 復元精度に関して, 先行分布のパラメータと後温度の両方を最適化する。 提案手法は,公開データセットから得られた画像を用いて,4種類の逆問題に対して広範に評価し,非ベイジアンおよびベイジアンの両方で温度最適化を行ない,最適化後温度が優れたことを示す。 最適化された事前分布と後部温度を用いることで精度と不確実性の推定が向上し、タスク領域当たりのこれらのハイパーパラメータを見つけるのに十分であることを示す。 十分に調整された後方は不確かさを校正し、予測の信頼性を高める。 ソースコードはgithub.com/Cardio-AI/mfvi-dip-miaで公開されています。

関連論文リスト

• Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
  近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。 この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
  論文  参考訳（メタデータ） (2024-02-03T13:35:39Z)
• The fine print on tempered posteriors [4.503508912578133]
  我々は,温床後部を詳細に調査し,いくつかの重要かつ未特定な点を明らかにした。 以前の研究とは対照的に、最終的にPAC-Bayesian分析により、$lambda$の温度は、不一致の事前または可能性の修正として見ることはできないことを示した。
  論文  参考訳（メタデータ） (2023-09-11T08:21:42Z)
• Variational Bayesian Imaging with an Efficient Surrogate Score-based Prior [7.155937118886449]
  不完全, 雑音の計測により, クリーンな画像後部を狙う不完全な逆画像問題について考察する。 最近の研究は、スコアベースの拡散モデルを、不適切な画像問題を解くための原則化された先行モデルに変えた。 提案するサロゲート先行法は, スコアベース拡散モデルの低境界に基づくものである。
  論文  参考訳（メタデータ） (2023-09-05T04:55:10Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• Deep surrogate accelerated delayed-acceptance HMC for Bayesian inference of spatio-temporal heat fluxes in rotating disc systems [0.0]
  本稿では,PDEに基づく逆問題に対して,精度を保証して解法を高速化する手法を提案する。 これは、Biot数データとして知られる熱時間パラメータを推定する不適切な問題によって動機付けられている。
  論文  参考訳（メタデータ） (2022-04-05T15:09:33Z)
• Bayesian Joint Chance Constrained Optimization: Approximations and Statistical Consistency [10.20554144865699]
  近似した後続分布を用いて計算した最適値の統計的整合性の問題に焦点をあてる。 また、近似最適化問題の実現可能性も証明する。 また,M/M/c待ち行列モデルに対する最適スタッフリング問題に対するアプローチの有用性を示す。
  論文  参考訳（メタデータ） (2021-06-23T07:11:39Z)
• Posterior Temperature Optimization in Variational Inference [69.50862982117127]
  ディープラーニングの文脈では、コールドフォレストは実践上より優れていることが報告されている。 本研究は,まず,平均場変動推定において,完全に温められた後部のためにELBOを導出する。 次にベイズ最適化を用いて最適後温度を自動的に求める。
  論文  参考訳（メタデータ） (2021-06-11T13:01:28Z)
• Randomised Gaussian Process Upper Confidence Bound for Bayesian Optimisation [60.93091603232817]
  改良されたガウス過程上信頼境界(GP-UCB)取得関数を開発した。 これは、分布から探索・探索トレードオフパラメータをサンプリングすることによって行われる。 これにより、期待されるトレードオフパラメータが、関数のベイズ的後悔に縛られることなく、問題によりよく適合するように変更できることが証明される。
  論文  参考訳（メタデータ） (2020-06-08T00:28:41Z)
• Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
  ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。 また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T15:13:27Z)

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。