論文の概要: Theoretical Perspectives on Deep Learning Methods in Inverse Problems
- arxiv url: http://arxiv.org/abs/2206.14373v1
- Date: Wed, 29 Jun 2022 02:37:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-30 20:02:11.547586
- Title: Theoretical Perspectives on Deep Learning Methods in Inverse Problems
- Title(参考訳): 逆問題における深層学習法の理論的展望
- Authors: Jonathan Scarlett, Reinhard Heckel, Miguel R. D. Rodrigues, Paul Hand,
and Yonina C. Eldar
- Abstract要約: 我々は、生成前の先行、訓練されていないニューラルネットワークの先行、および展開アルゴリズムに焦点を当てる。
これらのトピックにおける既存の結果の要約に加えて、現在進行中の課題やオープンな問題も強調する。
- 参考スコア(独自算出の注目度): 115.93934028666845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, there have been significant advances in the use of deep
learning methods in inverse problems such as denoising, compressive sensing,
inpainting, and super-resolution. While this line of works has predominantly
been driven by practical algorithms and experiments, it has also given rise to
a variety of intriguing theoretical problems. In this paper, we survey some of
the prominent theoretical developments in this line of works, focusing in
particular on generative priors, untrained neural network priors, and unfolding
algorithms. In addition to summarizing existing results in these topics, we
highlight several ongoing challenges and open problems.
- Abstract(参考訳): 近年,Denoising, compressive Sensing, inpainting, super- resolution といった逆問題におけるディープラーニング手法の利用が著しく進歩している。
この一連の研究は主に実用的なアルゴリズムと実験によって進められてきたが、様々な興味深い理論上の問題も持ち上がった。
本稿では,特に生成前処理,未学習ニューラルネットワーク前処理,展開アルゴリズムに焦点をあてた,本研究における著名な理論的展開について検討する。
これらのトピックにおける既存の結果の要約に加えて、現在進行中の課題やオープンな問題も強調する。
関連論文リスト
- An Over Complete Deep Learning Method for Inverse Problems [15.919986945096182]
機械学習技術は、いくつかの模範的な問題に適用した場合、課題に直面する可能性があることを示す。
オーバーコンプリート辞書に関する以前の研究と同様、解を高次元に埋め込むことでこれらの欠点を克服できることが示される。
いくつかの例と一般的な逆問題に対して、このアプローチの利点を実証する。
論文 参考訳(メタデータ) (2024-02-07T08:38:12Z) - Bayesian Learning for Neural Networks: an algorithmic survey [95.42181254494287]
この自己完結型調査は、ベイズ学習ニューラルネットワークの原理とアルゴリズムを読者に紹介する。
アクセシブルで実践的な視点からこのトピックを紹介します。
論文 参考訳(メタデータ) (2022-11-21T21:36:58Z) - An Operator Theoretic Perspective on Pruning Deep Neural Networks [2.624902795082451]
我々は、動的システム理論の最近の進歩を利用して、理論上動機付けられたプルーニングアルゴリズムの新しいクラスを定義する。
これらのアルゴリズムは、等級や勾配に基づくプルーニングと等価であることを示す。
論文 参考訳(メタデータ) (2021-10-28T02:33:50Z) - The Modern Mathematics of Deep Learning [8.939008609565368]
深層学習の数学的解析の新しい分野について述べる。
この分野は、古典的な学習理論の中では答えられなかった研究課題の一覧に現れている。
選択されたアプローチについては、主なアイデアをより詳細に説明します。
論文 参考訳(メタデータ) (2021-05-09T21:30:42Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳(メタデータ) (2021-02-28T16:22:58Z) - Developing Constrained Neural Units Over Time [81.19349325749037]
本稿では,既存のアプローチと異なるニューラルネットワークの定義方法に焦点をあてる。
ニューラルネットワークの構造は、データとの相互作用にも拡張される制約の特別なクラスによって定義される。
提案した理論は時間領域にキャストされ, データを順序づけられた方法でネットワークに提示する。
論文 参考訳(メタデータ) (2020-09-01T09:07:25Z) - Deep Learning Methods for Solving Linear Inverse Problems: Research
Directions and Paradigms [15.996292006766089]
ディープラーニングの急速な発展は、線形逆問題の解決に新たな視点を提供する。
本稿では,線形逆問題の解法におけるディープラーニング手法の応用について概説する。
従来の手法で使用される知識を取り入れた構造化ニューラルネットワークアーキテクチャについて検討する。
論文 参考訳(メタデータ) (2020-07-27T03:10:58Z) - Structure preserving deep learning [1.2263454117570958]
深層学習は、大きな関心事のトピックとして、前景に浮かび上がっています。
ディープラーニングの適用には、いくつかの挑戦的な数学的問題がある。
既存のディープラーニング手法の構造を数学的に理解する努力が増えている。
論文 参考訳(メタデータ) (2020-06-05T10:59:09Z) - Deep Learning Techniques for Inverse Problems in Imaging [102.30524824234264]
機械学習における最近の研究は、ディープニューラルネットワークが様々な逆問題の解決に利用できることを示している。
異なる問題や再構築方法の分類に使用できる分類法を提案する。
論文 参考訳(メタデータ) (2020-05-12T18:35:55Z) - Generalization in Deep Learning [103.91623583928852]
本稿では,その容量,複雑性,アルゴリズムの不安定性,非破壊性,およびシャープなミニマにもかかわらず,ディープラーニングがなぜ,どのように一般化できるかに関する理論的知見を提供する。
また、ディープラーニングのための非空でない一般化保証を提供するためのアプローチについても論じる。
論文 参考訳(メタデータ) (2017-10-16T02:21:24Z)
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。