論文の概要: VI-DGP: A variational inference method with deep generative prior for
solving high-dimensional inverse problems
- arxiv url: http://arxiv.org/abs/2302.11173v1
- Date: Wed, 22 Feb 2023 06:48:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-23 16:07:45.867768
- Title: VI-DGP: A variational inference method with deep generative prior for
solving high-dimensional inverse problems
- Title(参考訳): VI-DGP:高次元逆問題の解法における深部生成前の変分推論法
- Authors: Yingzhi Xia, Qifeng Liao, Jinglai Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.7734726150561089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Solving high-dimensional Bayesian inverse problems (BIPs) with the
variational inference (VI) method is promising but still challenging. The main
difficulties arise from two aspects. First, VI methods approximate the
posterior distribution using a simple and analytic variational distribution,
which makes it difficult to estimate complex spatially-varying parameters in
practice. Second, VI methods typically rely on gradient-based optimization,
which can be computationally expensive or intractable when applied to BIPs
involving partial differential equations (PDEs). To address these challenges,
we propose a novel approximation method for estimating the high-dimensional
posterior distribution. This approach leverages a deep generative model to
learn a prior model capable of generating spatially-varying parameters. This
enables posterior approximation over the latent variable instead of the complex
parameters, thus improving estimation accuracy. Moreover, to accelerate
gradient computation, we employ a differentiable physics-constrained surrogate
model to replace the adjoint method. The proposed method can be fully
implemented in an automatic differentiation manner. Numerical examples
demonstrate two types of log-permeability estimation for flow in heterogeneous
media. The results show the validity, accuracy, and high efficiency of the
proposed method.
- Abstract(参考訳): 高次元ベイズ逆問題 (BIP) を変分推論 (VI) 法で解くことは有望であるが、それでも難しい。
主な困難は2つの側面から生じる。
第一にvi法は, 単純かつ解析的な変分分布を用いて後方分布を近似するので, 複雑な空間変動パラメータを実際に推定することは困難である。
第2に、VI法は通常勾配に基づく最適化に依存しており、偏微分方程式(PDE)を含むBIPに適用すると計算コストがかかるか、難解である。
これらの課題に対処するために,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。
このアプローチでは、深層生成モデルを利用して、空間変動パラメータを生成することができる事前モデルを学ぶ。
これにより、複雑なパラメータの代わりに潜在変数に対する後続近似が可能となり、推定精度が向上する。
さらに, 勾配計算を高速化するために, 微分可能な物理制約付きサーロゲートモデルを用いて随伴法を置き換えた。
提案手法は自動微分方式で完全に実装できる。
数値例は不均質媒質中の流れに対する2種類のログ透過性推定を示す。
その結果,提案手法の有効性,精度,高効率性が示された。
関連論文リスト
- Geophysical inverse problems with measurement-guided diffusion models [0.4532517021515834]
DPS(Diffusion Posterior Sampling)とPGDM(Pseudo-inverse Guided Diffusion Model)という2つのサンプリングアルゴリズムを提案する。
DPSでは、解の1ステップの denoising 推定から得られた残差に対して、モデリング演算子の随伴を応用して誘導項を得る。
一方、PGDMは擬逆演算子を用いており、これは一段階の分極解が決定論的でないことを起源としている。
論文 参考訳(メタデータ) (2025-01-08T23:33:50Z) - Enhancing Diffusion Models for Inverse Problems with Covariance-Aware Posterior Sampling [3.866047645663101]
例えば、コンピュータビジョンでは、インペイント、デブロアリング、超解像といったタスクは、逆問題として効果的にモデル化できる。
DDPMは、追加のタスク固有のトレーニングを必要とせずに、線形逆問題に対する有望な解決策を提供する。
論文 参考訳(メタデータ) (2024-12-28T06:17:44Z) - Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳(メタデータ) (2024-08-20T19:06:02Z) - Nonparametric Automatic Differentiation Variational Inference with
Spline Approximation [7.5620760132717795]
複雑な構造を持つ分布に対するフレキシブルな後続近似を可能にする非パラメトリック近似法を開発した。
広く使われている非パラメトリック推論手法と比較して,提案手法は実装が容易であり,様々なデータ構造に適応する。
実験では, 複雑な後続分布の近似における提案手法の有効性を実証し, 不完全データを用いた生成モデルの性能向上を図った。
論文 参考訳(メタデータ) (2024-03-10T20:22:06Z) - 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) - 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) - Manifold Gaussian Variational Bayes on the Precision Matrix [70.44024861252554]
複雑なモデルにおける変分推論(VI)の最適化アルゴリズムを提案する。
本研究では,変分行列上の正定値制約を満たすガウス変分推論の効率的なアルゴリズムを開発した。
MGVBPはブラックボックスの性質のため、複雑なモデルにおけるVIのための準備が整ったソリューションである。
論文 参考訳(メタデータ) (2022-10-26T10:12:31Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。
提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文 参考訳(メタデータ) (2021-11-26T06:33:29Z) - Manifold learning-based polynomial chaos expansions for high-dimensional
surrogate models [0.0]
システム記述における不確実性定量化(UQ)のための多様体学習に基づく手法を提案する。
提案手法は高精度な近似を達成でき、UQタスクの大幅な高速化につながる。
論文 参考訳(メタデータ) (2021-07-21T00:24:15Z)
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。