論文の概要: Deep Variational Inverse Scattering
- arxiv url: http://arxiv.org/abs/2212.04309v2
- Date: Fri, 9 Dec 2022 11:25:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 15:40:22.833749
- Title: Deep Variational Inverse Scattering
- Title(参考訳): 深部変分逆散乱
- Authors: AmirEhsan Khorashadizadeh, Ali Aghababaei, Tin Vla\v{s}i\'c, Hieu
Nguyen, Ivan Dokmani\'c
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 18.598311270757527
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Inverse medium scattering solvers generally reconstruct a single solution
without an associated measure of uncertainty. This is true both for the
classical iterative solvers and for the emerging deep learning methods. But
ill-posedness and noise can make this single estimate inaccurate or misleading.
While deep networks such as conditional normalizing flows can be used to sample
posteriors in inverse problems, they often yield low-quality samples and
uncertainty estimates. In this paper, we propose U-Flow, a Bayesian U-Net based
on conditional normalizing flows, which generates high-quality posterior
samples and estimates physically-meaningful uncertainty. We show that the
proposed model significantly outperforms the recent normalizing flows in terms
of posterior sample quality while having comparable performance with the U-Net
in point estimation.
- Abstract(参考訳): 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。
これは、古典的な反復型解法と、新しいディープラーニング手法の両方に当てはまる。
しかし、不正確さとノイズは、この単一の見積もりを不正確または誤解を招く可能性がある。
条件付き正規化フローのような深層ネットワークは逆問題における後方のサンプルに使用できるが、しばしば低品質のサンプルと不確実性の推定をもたらす。
本稿では,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,高品質な後部サンプルを生成し,物理的に意味のある不確実性を推定する。
提案手法は, 点推定においてU-Netに匹敵する性能を有しつつ, 後部サンプル品質の観点から, 最近の正規化フローを著しく上回ることを示す。
関連論文リスト
- With or Without Replacement? Improving Confidence in Fourier Imaging [5.542462410129539]
標準LASSOの性能を向上した重み付き再構成手法が, サンプリングと交換なしの遷移によってどのようにして実現されるかを示す。
本稿では、この再加重サンプリングのアイデアが、デバイアス推定器をいかに改善するかを説明する。
論文 参考訳(メタデータ) (2024-07-18T15:15:19Z) - 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) - Collapsed Inference for Bayesian Deep Learning [36.1725075097107]
本稿では,崩壊サンプルを用いたベイズモデル平均化を行う新しい崩壊予測手法を提案する。
崩壊したサンプルは、近似後部から引き出された数え切れないほど多くのモデルを表す。
提案手法は, スケーラビリティと精度のバランスをとる。
論文 参考訳(メタデータ) (2023-06-16T08:34:42Z) - GFlowOut: Dropout with Generative Flow Networks [76.59535235717631]
モンテカルロ・ドロップアウトは近似推論の比較的安価な方法として広く利用されている。
最近の研究は、ドロップアウトマスクを潜伏変数と見なすことができ、変動推論で推測できることを示している。
GFlowOutleveragesは、最近提案されたジェネレーティブフローネットワーク(GFlowNets)の確率的フレームワークを使用して、ドロップアウトマスク上の後部分布を学習する。
論文 参考訳(メタデータ) (2022-10-24T03:00:01Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳(メタデータ) (2021-03-15T16:16:18Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳(メタデータ) (2020-11-05T08:04:34Z) - Uncertainty Quantification in Deep Residual Neural Networks [0.0]
不確かさの定量化は、ディープラーニングにおいて重要で困難な問題である。
以前の方法は、現代のディープアーキテクチャやバッチサイズに敏感なバッチ正規化には存在しないドロップアウト層に依存していた。
本研究では,ニューラルネットワークの後方重みに対する変動近似として,深度を用いた残留ネットワークのトレーニングが可能であることを示す。
論文 参考訳(メタデータ) (2020-07-09T16:05:37Z) - Parameterizing uncertainty by deep invertible networks, an application
to reservoir characterization [0.9176056742068814]
フルウェーブフォーム逆転に対する不確かさの定量化は、問題の条件の不確かさを確率論的に特徴づける。
本研究では,モデル空間へのガウス的ランダム入力を,実際の後部分布からサンプリングしたかのように「前方」に学習するディープネットワークを特徴とするアプローチを提案する。
論文 参考訳(メタデータ) (2020-04-16T18:37:56Z) - 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) - Composing Normalizing Flows for Inverse Problems [89.06155049265641]
本稿では,2つの流れモデルの合成として,対象条件を推定する近似推論フレームワークを提案する。
本手法は,様々な逆問題に対して評価し,不確実性のある高品質な試料を作製することを示した。
論文 参考訳(メタデータ) (2020-02-26T19:01:11Z) - A deep-learning based Bayesian approach to seismic imaging and
uncertainty quantification [0.4588028371034407]
不確実性は、不条件の逆問題を扱う際に必須である。
未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。
本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
論文 参考訳(メタデータ) (2020-01-13T23:46:18Z)
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。