Fugu-MT 論文翻訳(概要): Proximal Residual Flows for Bayesian Inverse Problems

論文の概要: Proximal Residual Flows for Bayesian Inverse Problems

arxiv url: http://arxiv.org/abs/2211.17158v1
Date: Wed, 30 Nov 2022 16:49:49 GMT
ステータス: 処理完了
システム内更新日: 2022-12-01 17:32:35.794892
Title: Proximal Residual Flows for Bayesian Inverse Problems
Title（参考訳）: ベイズ逆問題に対する近位残留流
Authors: Johannes Hertrich
Abstract要約: 正規化フローの新しいアーキテクチャである近位残留流を導入する。一定の残差ブロックの可逆性を保証し、構造を条件付き残差流に拡張する。数値的な例において, 近位残留流の性能を実証する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Normalizing flows are a powerful tool for generative modelling, density estimation and posterior reconstruction in Bayesian inverse problems. In this paper, we introduce proximal residual flows, a new architecture of normalizing flows. Based on the fact, that proximal neural networks are by definition averaged operators, we ensure invertibility of certain residual blocks. Moreover, we extend the architecture to conditional proximal residual flows for posterior reconstruction within Bayesian inverse problems. We demonstrate the performance of proximal residual flows on numerical examples.
Abstract（参考訳）: 正規化フローはベイズ逆問題における生成モデリング、密度推定、後部再構成のための強力なツールである。本稿では,流れを正規化する新しい構造である近位残留流について述べる。近位ニューラルネットワークが定義上平均演算子であるという事実に基づいて、ある種の残差ブロックの可逆性を保証する。さらに,ベイズ逆問題における後方再建のための条件付き近位残留流に拡張した。数値的な例において, 近位残留流の性能を実証する。

関連論文リスト

Conditional diffusions for neural posterior estimation [8.37884129644711]
NPEの正規化フローの代替として条件拡散の有効性を示す。その結果,より単純で浅いモデルであっても,安定性の向上,精度の向上,トレーニング時間の短縮が得られた。
論文参考訳（メタデータ） (2024-10-24T19:13:13Z)
Benign Overfitting for Regression with Trained Two-Layer ReLU Networks [14.36840959836957]
本稿では,2層完全連結ニューラルネットワークを用いた最小二乗回帰問題と,勾配流によるReLU活性化関数について検討する。最初の結果は一般化結果であり、基礎となる回帰関数や、それらが有界であること以外のノイズを仮定する必要はない。
論文参考訳（メタデータ） (2024-10-08T16:54:23Z)
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)
AccFlow: Backward Accumulation for Long-Range Optical Flow [70.4251045372285]
本稿では、長距離光フロー推定のためのAccFlowと呼ばれる新しいリカレントフレームワークを提案する。従来の前方累積よりも後方累積の方が優れていることを示す。長距離光流量推定におけるAccFlowの有効性を検証する実験
論文参考訳（メタデータ） (2023-08-25T01:51:26Z)
Deep Variational Inverse Scattering [18.598311270757527]
逆媒体散乱解法は一般に、関連する不確実性の尺度なしで単一の解を再構成する。条件正規化フローのような深いネットワークは、逆問題の後部をサンプリングするのに使うことができる。条件付き正規化フローに基づくベイズ的U-NetであるU-Flowを提案し,高品質な後続サンプルを生成し,物理的に有意な不確かさを推定する。
論文参考訳（メタデータ） (2022-12-08T14:57:06Z)
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)
Bayesian Recurrent Units and the Forward-Backward Algorithm [91.39701446828144]
ベイズの定理を用いることで、ユニットワイド・リカレンスとフォワード・バックワードアルゴリズムに類似した後方再帰を導出する。その結果得られたベイジアン再帰ユニットは、ディープラーニングフレームワーク内で再帰ニューラルネットワークとして統合することができる。音声認識の実験は、最先端の繰り返しアーキテクチャの最後に派生したユニットを追加することで、訓練可能なパラメータの点で非常に低コストで性能を向上させることを示唆している。
論文参考訳（メタデータ） (2022-07-21T14:00:52Z)
Deep Equilibrium Optical Flow Estimation [80.80992684796566]
最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
論文参考訳（メタデータ） (2022-04-18T17:53:44Z)
Universal Approximation of Residual Flows in Maximum Mean Discrepancy [24.493721984271566]
リプシッツ残差ブロックからなる正規化流のクラスである残留流について検討する。残差流は最大平均差の普遍近似であることを示す。
論文参考訳（メタデータ） (2021-03-10T00:16:33Z)
Quasi-Autoregressive Residual (QuAR) Flows [0.0]
擬似自己回帰法(QuAR)を用いて残留流の簡易化を行う。従来の残流法と比較して、この単純化は残流の利点の多くを保ちながら、計算時間とメモリの要求を大幅に削減する。
論文参考訳（メタデータ） (2020-09-16T01:56:24Z)
Solving Inverse Problems with a Flow-based Noise Model [100.18560761392692]
本研究では,従来の正規化フローを用いた画像逆問題について検討する。我々の定式化は、この解を測定値に条件付けされた画像の最大後値推定とみなす。提案手法の様々な逆問題に対する有効性について実験的に検証した。
論文参考訳（メタデータ） (2020-03-18T08:33:49Z)

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。