論文の概要: A domain-decomposed VAE method for Bayesian inverse problems
- arxiv url: http://arxiv.org/abs/2301.05708v1
- Date: Mon, 9 Jan 2023 07:35:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-29 14:16:19.798043
- Title: A domain-decomposed VAE method for Bayesian inverse problems
- Title(参考訳): ベイズ逆問題に対する領域分解型VAE法
- Authors: Xu Zhihang, Xia Yingzhi, Liao Qifeng
- Abstract要約: 本稿では,これらの課題を同時に解決するために,ドメイン分割型変分自動エンコーダのマルコフ連鎖モンテカルロ(DD-VAE-MCMC)法を提案する。
提案手法はまず,局所的履歴データに基づく局所的決定論的生成モデルを構築し,効率的な局所的事前表現を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian inverse problems are often computationally challenging when the
forward model is governed by complex partial differential equations (PDEs).
This is typically caused by expensive forward model evaluations and
high-dimensional parameterization of priors. This paper proposes a
domain-decomposed variational auto-encoder Markov chain Monte Carlo
(DD-VAE-MCMC) method to tackle these challenges simultaneously. Through
partitioning the global physical domain into small subdomains, the proposed
method first constructs local deterministic generative models based on local
historical data, which provide efficient local prior representations. Gaussian
process models with active learning address the domain decomposition interface
conditions. Then inversions are conducted on each subdomain independently in
parallel and in low-dimensional latent parameter spaces. The local inference
solutions are post-processed through the Poisson image blending procedure to
result in an efficient global inference result. Numerical examples are provided
to demonstrate the performance of the proposed method.
- Abstract(参考訳): ベイズ逆問題はしばしば、フォワードモデルが複素偏微分方程式(pdes)によって支配されるときに計算的に難しい。
これは通常、高価な前方モデル評価と事前の高次元パラメータ化によって引き起こされる。
本稿では,これらの課題を同時に解決するために,ドメイン分割型変分自動エンコーダのマルコフ連鎖モンテカルロ(DD-VAE-MCMC)法を提案する。
提案手法は,グローバルな物理領域を小さなサブドメインに分割することで,まず,局所的履歴データに基づく局所的決定論的生成モデルを構築し,効率的な局所的事前表現を提供する。
アクティブラーニングを伴うガウス過程モデルは、ドメイン分解インターフェイス条件に対処する。
次に、各サブドメインに対して並列および低次元潜在パラメータ空間で独立に反転を行う。
局所的な推論ソリューションはpoissonイメージブレンディング手順によって後処理され、効率的なグローバル推論結果が得られる。
提案手法の性能を示す数値的な例を示す。
関連論文リスト
- VI-DGP: A variational inference method with deep generative prior for
solving high-dimensional inverse problems [0.7734726150561089]
本研究では,高次元後方分布を推定するための新しい近似法を提案する。
このアプローチは、深層生成モデルを利用して、空間的に変化するパラメータを生成することができる事前モデルを学ぶ。
提案手法は自動微分方式で完全に実装できる。
論文 参考訳(メタデータ) (2023-02-22T06:48:10Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - Inverse Models for Estimating the Initial Condition of Spatio-Temporal
Advection-Diffusion Processes [5.814371485767541]
逆問題とは、観測データを用いて物理過程の未知のパラメータについて推論することである。
本稿では,空間的に疎いデータストリームを用いた時空間対流拡散過程の初期状態の推定について検討する。
論文 参考訳(メタデータ) (2023-02-08T15:30:16Z) - 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) - Towards a machine learning pipeline in reduced order modelling for
inverse problems: neural networks for boundary parametrization,
dimensionality reduction and solution manifold approximation [0.0]
逆問題、特に偏微分方程式の文脈では、膨大な計算負荷を必要とする。
ニューラルネットワークを用いた数値パイプラインを用いて,問題の境界条件のパラメータ化を行う。
これは、インレット境界のアドホックなパラメトリゼーションを提供することができ、迅速に最適解に収束する一般的な枠組みに由来する。
論文 参考訳(メタデータ) (2022-10-26T14:53:07Z) - Super-model ecosystem: A domain-adaptation perspective [101.76769818069072]
本稿では,ドメイン適応による新たなスーパーモデルパラダイムの理論的基礎を確立することを試みる。
スーパーモデルパラダイムは、計算とデータコストと二酸化炭素排出量を減らすのに役立つ。
論文 参考訳(メタデータ) (2022-08-30T09:09:43Z) - An application of the splitting-up method for the computation of a
neural network representation for the solution for the filtering equations [68.8204255655161]
フィルタ方程式は、数値天気予報、金融、工学など、多くの現実の応用において中心的な役割を果たす。
フィルタリング方程式の解を近似する古典的なアプローチの1つは、分割法と呼ばれるPDEにインスパイアされた方法を使うことである。
我々はこの手法をニューラルネットワーク表現と組み合わせて、信号プロセスの非正規化条件分布の近似を生成する。
論文 参考訳(メタデータ) (2022-01-10T11:01:36Z) - Model-Based Domain Generalization [96.84818110323518]
本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。
我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
論文 参考訳(メタデータ) (2021-02-23T00:59:02Z) - Distributed Variational Bayesian Algorithms Over Sensor Networks [6.572330981878818]
一般ベイズ推論問題に対する2つの新しい分散VBアルゴリズムを提案する。
提案アルゴリズムは、核融合センターで利用可能な全データに依存する集中型VBアルゴリズムとほぼ同等の性能を有する。
論文 参考訳(メタデータ) (2020-11-27T08:12:18Z) - On the implementation of a global optimization method for mixed-variable
problems [0.30458514384586394]
このアルゴリズムは、グットマンの放射基底関数と、レジスとシューメーカーの計量応答面法に基づいている。
これら2つのアルゴリズムの一般化と改良を目的としたいくつかの修正を提案する。
論文 参考訳(メタデータ) (2020-09-04T13:36:56Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳(メタデータ) (2020-07-13T03:27:45Z)
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。