論文の概要: Bayesian Inversion with Neural Operator (BINO) for Modeling
Subdiffusion: Forward and Inverse Problems
- arxiv url: http://arxiv.org/abs/2211.11981v1
- Date: Tue, 22 Nov 2022 03:32:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 19:40:00.490186
- Title: Bayesian Inversion with Neural Operator (BINO) for Modeling
Subdiffusion: Forward and Inverse Problems
- Title(参考訳): サブディフフュージョンモデリングのためのニューラル演算子(bino)を用いたベイズ逆変換:前方および逆問題
- Authors: Xiong-bin Yan and Zhi-Qin John Xu and Zheng Ma
- Abstract要約: 本稿では,従来の数値計算手法の難しさを克服するために,BINOを用いたベイズ逆解析法を提案する。
我々は、分数拡散方程式の解演算子を学習するために、ディープ演算子ネットワークを用いる。
さらに,ディープ・オペレーター・ネットワークをベイジアン・インバージョン法と統合し,部分拡散過程による問題をモデル化し,逆拡散問題を解く。
- 参考スコア(独自算出の注目度): 6.114065706275863
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fractional diffusion equations have been an effective tool for modeling
anomalous diffusion in complicated systems. However, traditional numerical
methods require expensive computation cost and storage resources because of the
memory effect brought by the convolution integral of time fractional
derivative. We propose a Bayesian Inversion with Neural Operator (BINO) to
overcome the difficulty in traditional methods as follows. We employ a deep
operator network to learn the solution operators for the fractional diffusion
equations, allowing us to swiftly and precisely solve a forward problem for
given inputs (including fractional order, diffusion coefficient, source terms,
etc.). In addition, we integrate the deep operator network with a Bayesian
inversion method for modelling a problem by subdiffusion process and solving
inverse subdiffusion problems, which reduces the time costs (without suffering
from overwhelm storage resources) significantly. A large number of numerical
experiments demonstrate that the operator learning method proposed in this work
can efficiently solve the forward problems and Bayesian inverse problems of the
subdiffusion equation.
- Abstract(参考訳): 分数拡散方程式は複雑な系における異常拡散のモデル化に有効である。
しかし,従来の数値計算手法では,時間分母微分の畳み込み積分によるメモリ効果のため,高価な計算コストと記憶資源が要求される。
本稿では,従来の手法の難しさを克服するために,BINOを用いたベイズ変換を提案する。
我々は、分数拡散方程式の解演算子を学習するために、深層演算子ネットワークを用い、与えられた入力(分数次数、拡散係数、ソース項など)の前方問題を迅速かつ正確に解くことができる。
さらに, 深部演算子ネットワークを, サブ拡散処理による問題をモデル化し, 逆拡散問題の解法であるベイズ反転法と統合し, 時間コストを著しく低減する(過圧記憶資源に悩まされることなく)。
本研究で提案した演算子学習法は, 偏流方程式のフォワード問題とベイズ逆問題を効率的に解くことができることを示す数値実験が多数存在する。
関連論文リスト
- Denoising Diffusion Restoration Tackles Forward and Inverse Problems for
the Laplace Operator [3.8426297727671352]
本稿では,拡散復元モデル(DDRM)を用いたPDEの逆解と前方解に対する新しいアプローチを提案する。
DDRMは線形演算子の特異値分解(SVD)を利用して元のクリーン信号を復元するために線形逆問題に用いられた。
以上の結果から,拡散復元法を用いることで,解とパラメータの推算が大幅に向上することが示唆された。
論文 参考訳(メタデータ) (2024-02-13T16:04:41Z) - EraseDiff: Erasing Data Influence in Diffusion Models [54.95692559939673]
拡散モデルのためのアンラーニングアルゴリズムを提案する。
提案アルゴリズムは, 広範に普及している拡散モデルから除去しながら, モデルの有用性, 有効性, 効率を保たせることを示す。
論文 参考訳(メタデータ) (2024-01-11T09:30:36Z) - Adaptive operator learning for infinite-dimensional Bayesian inverse
problems [8.672948020721945]
本研究では,局所的に精度の高いサロゲートを強制することによって,モデリングエラーを段階的に低減できる適応型演算子学習フレームワークを開発した。
UKIフレームワークを用いて線形の場合において厳密な収束を保証する。
その結果,逆精度を維持しながら計算コストを大幅に削減できることがわかった。
論文 参考訳(メタデータ) (2023-10-27T01:50:33Z) - Prompt-tuning latent diffusion models for inverse problems [72.13952857287794]
本稿では,テキストから画像への遅延拡散モデルを用いた逆問題の画像化手法を提案する。
P2Lと呼ばれる本手法は,超解像,デブロアリング,インパインティングなどの様々なタスクにおいて,画像拡散モデルと潜時拡散モデルに基づく逆問題解法の両方に優れる。
論文 参考訳(メタデータ) (2023-10-02T11:31:48Z) - Solving Inverse Problems with Latent Diffusion Models via Hard Data
Consistency [8.128475421154405]
画素空間におけるトレーニング拡散モデルは、データ集約的かつ計算的に要求される。
非常に低次元空間で動作する潜在拡散モデルは、これらの課題に対する解決策を提供する。
我々は,事前学習した潜在拡散モデルを用いて,一般的な逆問題を解決するアルゴリズムであるtextitReSampleを提案する。
論文 参考訳(メタデータ) (2023-07-16T18:42:01Z) - A Variational Perspective on Solving Inverse Problems with Diffusion
Models [101.831766524264]
逆タスクは、データ上の後続分布を推測するものとして定式化することができる。
しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。
そこで我々は,真の後続分布を近似する設計手法を提案する。
論文 参考訳(メタデータ) (2023-05-07T23:00:47Z) - Laplace-fPINNs: Laplace-based fractional physics-informed neural
networks for solving forward and inverse problems of subdiffusion [6.114065706275863]
分数拡散方程式の前方および逆問題を効果的に解くことができるLaplace-fPINNと呼ばれるPINNの拡張を提案する。
数値計算の結果,Laplace-fPINNs法は高次元分数拡散方程式の前方および逆問題の両方を効果的に解くことができることが示された。
論文 参考訳(メタデータ) (2023-04-03T11:55:39Z) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳(メタデータ) (2023-03-10T07:42:49Z) - GibbsDDRM: A Partially Collapsed Gibbs Sampler for Solving Blind Inverse
Problems with Denoising Diffusion Restoration [64.8770356696056]
本稿では,DDRM(Denoising Diffusion Restoration Models)の拡張であるGibbsDDRMを提案する。
提案手法は問題に依存しないため,様々な逆問題に対して事前学習した拡散モデルを適用することができる。
論文 参考訳(メタデータ) (2023-01-30T06:27:48Z) - Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。
シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。
本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
論文 参考訳(メタデータ) (2022-11-24T07:30:27Z) - Semi-supervised Invertible DeepONets for Bayesian Inverse Problems [8.594140167290098]
DeepONetsは、学習オペレーターによってパラメトリックPDEを解決する強力なデータ駆動ツールを提供する。
本研究では,高次元ベイズ逆問題(Bayesian inverse problem)の文脈で物理インフォームド・ディープノネット(DeepONets)を用いる。
論文 参考訳(メタデータ) (2022-09-06T18:55:06Z)
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。