論文の概要: Conditional Generative Models are Provably Robust: Pointwise Guarantees
for Bayesian Inverse Problems
- arxiv url: http://arxiv.org/abs/2303.15845v2
- Date: Mon, 23 Oct 2023 09:26:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 13:14:17.674864
- Title: Conditional Generative Models are Provably Robust: Pointwise Guarantees
for Bayesian Inverse Problems
- Title（参考訳）: 条件付き生成モデルはおそらくロバストである:ベイズ逆問題に対するポイントワイズ保証
- Authors: Fabian Altekr\"uger, Paul Hagemann, Gabriele Steidl
- Abstract要約: 適切な条件付き生成モデルが単一観測に対して堅牢な結果をもたらすことを初めて証明する。
本稿では,適切な条件付き生成モデルが単一観測に対して頑健な結果をもたらすことを初めて証明する。
- 参考スコア（独自算出の注目度）: 1.534667887016089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conditional generative models became a very powerful tool to sample from
Bayesian inverse problem posteriors. It is well-known in classical Bayesian
literature that posterior measures are quite robust with respect to
perturbations of both the prior measure and the negative log-likelihood, which
includes perturbations of the observations. However, to the best of our
knowledge, the robustness of conditional generative models with respect to
perturbations of the observations has not been investigated yet. In this paper,
we prove for the first time that appropriately learned conditional generative
models provide robust results for single observations.
- Abstract（参考訳）: 条件生成モデルはベイズ逆問題後部から非常に強力なツールとなった。
古典ベイズ文学では、後方測度は、観測の摂動を含む先行測度と負の対数類似度の両方の摂動に関して非常に頑健であることが知られている。
しかしながら、我々の知る限りでは、観測の摂動に関して条件付き生成モデルのロバスト性は未だ調査されていない。
本稿では,適切な条件付き生成モデルが単一観測に対して堅牢な結果をもたらすことを初めて証明する。
関連論文リスト
- Confidence Aware Learning for Reliable Face Anti-spoofing [52.23271636362843]
本稿では,その能力境界を意識した信頼認識顔アンチスプーフィングモデルを提案する。
各サンプルの予測中にその信頼性を推定する。
実験の結果,提案したCA-FASは予測精度の低いサンプルを効果的に認識できることがわかった。
論文 参考訳（メタデータ） (2024-11-02T14:29:02Z) - On the Robustness of Kernel Goodness-of-Fit Tests [5.959410850280868]
既存のカーネル良性テストは、ロバスト性という一般的な概念により堅牢ではないことを示す。
本稿では,このオープンな問題をカーネルStein離散性球を用いて解決する,最初の堅牢なカーネル善良性テストを提案する。
論文 参考訳（メタデータ） (2024-08-11T19:54:50Z) - Shortcomings of Top-Down Randomization-Based Sanity Checks for
Evaluations of Deep Neural Network Explanations [67.40641255908443]
モデルランダム化に基づく正当性チェックの限界を,説明書の評価のために同定する。
トップダウンモデルランダム化は、フォワードパスアクティベーションのスケールを高い確率で保存する。
論文 参考訳（メタデータ） (2022-11-22T18:52:38Z) - Generative models and Bayesian inversion using Laplace approximation [0.3670422696827525]
近年, 生成モデルを用いて高情報化の先行問題として逆問題の解法が提案されている。
導出ベイズ推定は、生成モデルの低次元多様体を用いたアプローチとは対照的に、一貫したものであることを示す。
論文 参考訳（メタデータ） (2022-03-15T10:05:43Z) - Mind the Gap when Conditioning Amortised Inference in Sequential
Latent-Variable Models [9.862634768723131]
ELBOの目的は, 部分的に固定した後肢を固定し, 平滑な後肢の積を近似することであった。
これらの理論的な結果は,交通流,手書き桁,航空機の動力学の3つのシナリオで実証される。
完全条件付き近似後処理を用いることで、生成モデリングと多段階予測の点で性能が向上する。
論文 参考訳（メタデータ） (2021-01-18T12:53:39Z) - Further Analysis of Outlier Detection with Deep Generative Models [30.37180598197441]
深部生成モデルは、しばしば外れ値に高い確率を割り当てる。
モデルの典型的な集合と高密度領域が結合しないという観察から、この現象を説明できる。
また,低レベルのテクスチャと高レベルのセマンティクスの相違による影響を解消するための追加実験も行います。
論文 参考訳（メタデータ） (2020-10-25T08:20:38Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z) - The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。
この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
論文 参考訳（メタデータ） (2020-06-22T16:43:35Z) - Understanding the Intrinsic Robustness of Image Distributions using
Conditional Generative Models [87.00072607024026]
本稿では,2つの画像ベンチマークの内在的堅牢性について,$ell$摂動下で検討する。
我々は、我々の理論によって示唆されるロバスト性限界と現在の最先端ロバストモデルによって達成される対角的ロバスト性の間に大きなギャップが存在することを示す。
論文 参考訳（メタデータ） (2020-03-01T01:45:04Z) - 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)
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。