論文の概要: Deep Neural-network Prior for Orbit Recovery from Method of Moments

• arxiv url: http://arxiv.org/abs/2304.14604v1
• Date: Fri, 28 Apr 2023 03:19:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-21 11:16:37.088876
• Title: Deep Neural-network Prior for Orbit Recovery from Method of Moments
• Title（参考訳）: モーメント法による軌道回収に先立つ深層ニューラルネットワーク
• Authors: Yuehaw Khoo, Sounak Paul and Nir Sharon
• Abstract要約: 本稿では,多参照アライメントと単一粒子Creo-EMモデリングの2つの問題について述べる。 ノイズを抑えるために、我々は、ディープニューラルネットワークの先行を導入しながら、両方の問題にモーメントアプローチを適用する方法を提案する。
• 参考スコア（独自算出の注目度）: 0.6445605125467573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Orbit recovery problems are a class of problems that often arise in practice and in various forms. In these problems, we aim to estimate an unknown function after being distorted by a group action and observed via a known operator. Typically, the observations are contaminated with a non-trivial level of noise. Two particular orbit recovery problems of interest in this paper are multireference alignment and single-particle cryo-EM modeling. In order to suppress the noise, we suggest using the method of moments approach for both problems while introducing deep neural network priors. In particular, our neural networks should output the signals and the distribution of group elements, with moments being the input. In the multireference alignment case, we demonstrate the advantage of using the NN to accelerate the convergence for the reconstruction of signals from the moments. Finally, we use our method to reconstruct simulated and biological volumes in the cryo-EM setting.
• Abstract（参考訳）: 軌道回復問題 (Orbit recovery problem) は、実際や様々な形態でしばしば発生する問題の類である。 これらの問題において、群作用によって歪んだ後に未知の関数を推定し、既知の演算子を通して観測することを目的とする。 通常、観測は非自明なレベルのノイズで汚染される。 本稿では,多参照アライメントと単一粒子Creo-EMモデリングの2つの問題について述べる。 雑音を抑制するために,深層ニューラルネットワークを優先的に導入しながら,モーメント法を両問題に適用することを提案する。 特に、私たちのニューラルネットワークは、モーメントを入力として、信号とグループ要素の分布を出力すべきです。 マルチ参照アライメントの場合、モーメントからの信号の再構成の収束を加速するためにNNを使用する利点を実証する。 最後に,本手法を用いてcryo-em設定におけるシミュレーションおよび生物体積の再構成を行う。

関連論文リスト

• Exact Enforcement of Temporal Continuity in Sequential Physics-Informed Neural Networks [0.0]
  解アンザッツを用いて連続時間セグメント間の連続性を強制する手法を提案する。 この手法は、線形PDEと非線形PDEの両方を含む多くのベンチマーク問題に対して試験される。 提案手法を用いて行った数値実験により,従来のPINNとソフトコントラストの双方に対して,コンバージェンスと精度が優れていた。
  論文  参考訳（メタデータ） (2024-02-15T17:41:02Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• A Neural Network Warm-Start Approach for the Inverse Acoustic Obstacle Scattering Problem [7.624866197576227]
  本稿では,逆散乱問題の解法として,ニューラルネットワークのウォームスタート手法を提案する。 トレーニングされたニューラルネットワークを用いて最適化問題の初期推定を求める。 このアルゴリズムは散乱場の測定においてノイズに対して頑健であり、また限られた開口データに対して真の解に収束する。
  論文  参考訳（メタデータ） (2022-12-16T22:18:48Z)
• A Neural-Network-Based Convex Regularizer for Inverse Problems [14.571246114579468]
  画像再構成問題を解決するためのディープラーニング手法は、再構築品質を大幅に向上させた。 これらの新しい手法は信頼性と説明性に欠けることが多く、これらの欠点に対処する関心が高まっている。 本研究では,凸リッジ関数の和である正則化器を再検討することにより,この問題に対処する。 このような正規化器の勾配は、活性化関数が増加し学習可能な単一の隠蔽層を持つニューラルネットワークによってパラメータ化される。
  論文  参考訳（メタデータ） (2022-11-22T18:19:10Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Denoising Score-Matching for Uncertainty Quantification in Inverse Problems [1.521936393554569]
  本稿では、逆問題を解決するための一般的なベイズフレームワークを提案する。このフレームワークでは、信号の事前分布を学習するためのディープニューラルネットワークの使用を制限する。 この枠組みを磁気共鳴画像再構成(MRI)に適用し、再構成された画像の特定の特徴の不確実性を評価するために、この手法がどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2020-11-16T18:33:06Z)
• Activation Relaxation: A Local Dynamical Approximation to Backpropagation in the Brain [62.997667081978825]
  活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。 我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
  論文  参考訳（メタデータ） (2020-09-11T11:56:34Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Applications of Koopman Mode Analysis to Neural Networks [52.77024349608834]
  我々は,ニューラルネットワークのトレーニング過程を,高次元の重み空間に作用する力学系と考える。 アーキテクチャに必要なレイヤ数を決定するために、Koopmanスペクトルをどのように利用できるかを示す。 また、Koopmanモードを使えば、ネットワークを選択的にプーンしてトレーニング手順を高速化できることを示す。
  論文  参考訳（メタデータ） (2020-06-21T11:00:04Z)
• Theory inspired deep network for instantaneous-frequency extraction and signal components recovery from discrete blind-source data [1.6758573326215689]
  本稿では、未知の信号成分を回収する逆問題と周波数の抽出について考察する。 既存の分解法やアルゴリズムでは、この逆問題を解くことはできない。 本稿では、ブラインドソース信号の非一様サンプリングが可能な離散サンプルセットを直接ベースとしたディープニューラルネットワークの合成を提案する。
  論文  参考訳（メタデータ） (2020-01-31T18:54:00Z)

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。