論文の概要: Conditional score-based diffusion models for Bayesian inference in
infinite dimensions
- arxiv url: http://arxiv.org/abs/2305.19147v1
- Date: Sun, 28 May 2023 15:34:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 15:25:10.353378
- Title: Conditional score-based diffusion models for Bayesian inference in
infinite dimensions
- Title(参考訳): 有限次元ベイズ推論のための条件付きスコアベース拡散モデル
- Authors: Lorenzo Baldassari, Ali Siahkoohi, Josselin Garnier, Knut Solna,
Maarten V. de Hoop
- Abstract要約: 本研究では, 無限次元ベイズ線形逆問題における後続分布を, 償却条件付きSDMを用いて学習する手法を提案する。
条件付き設定へのSDMの拡張には,条件付スコアが非条件付スコアとは対照的に,短時間で爆発するため,注意が必要であることを示す。
- 参考スコア(独自算出の注目度): 3.8673567847548114
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since their first introduction, score-based diffusion models (SDMs) have been
successfully applied to solve a variety of linear inverse problems in
finite-dimensional vector spaces due to their ability to efficiently
approximate the posterior distribution. However, using SDMs for inverse
problems in infinite-dimensional function spaces has only been addressed
recently and by learning the unconditional score. While this approach has some
advantages, depending on the specific inverse problem at hand, in order to
sample from the conditional distribution it needs to incorporate the
information from the observed data with a proximal optimization step, solving
an optimization problem numerous times. This may not be feasible in inverse
problems with computationally costly forward operators. To address these
limitations, in this work we propose a method to learn the posterior
distribution in infinite-dimensional Bayesian linear inverse problems using
amortized conditional SDMs. In particular, we prove that the conditional
denoising estimator is a consistent estimator of the conditional score in
infinite dimensions. We show that the extension of SDMs to the conditional
setting requires some care because the conditional score typically blows up for
small times contrarily to the unconditional score. We also discuss the
robustness of the learned distribution against perturbations of the
observations. We conclude by presenting numerical examples that validate our
approach and provide additional insights.
- Abstract(参考訳): 最初の導入以来、スコアベース拡散モデル(SDM)は、後方分布を効率的に近似する能力により、有限次元ベクトル空間における様々な線形逆問題の解法に成功している。
しかし、無限次元関数空間の逆問題に対するsdmの使用は、最近、無条件スコアの学習によって解決された。
このアプローチには、特定の逆問題に依存するいくつかの利点があるが、条件分布からサンプリングするには、観測データからの情報を近位最適化ステップに組み込む必要があり、最適化問題を何度も解く。
これは計算コストのかかるフォワード作用素の逆問題では実現できないかもしれない。
そこで本研究では, 無限次元ベイズ線形逆問題における後方分布を, 償却条件付きsdmを用いて学習する手法を提案する。
特に、条件付き分母推定器は無限次元の条件付きスコアの一貫した推定器であることが証明される。
sdmを条件付き設定に拡張するには,条件付きスコアが無条件のスコアと相反する形で小さく吹き上がるため,ある程度の注意が必要である。
また,観測の摂動に対する学習分布の堅牢性についても論じる。
最後に、アプローチを検証する数値例を示し、さらなる洞察を提供する。
関連論文リスト
- Improving Diffusion Models for Inverse Problems Using Optimal Posterior
Covariance [54.70569748637465]
最近の拡散モデルは、ノイズのある線形逆問題に対する有望なゼロショット解を提供する。
既存のゼロショット法に対する最初の統一的解釈を提案する。
近年の手法は, 等方性ガウス近似を導出可能な後部分布に置き換えることと等価であることを示す。
論文 参考訳(メタデータ) (2024-02-03T13:35:39Z) - Sampling and estimation on manifolds using the Langevin diffusion [48.898189211250234]
離散化マルコフ過程に基づく$mu_phi $の線形汎函数の2つの推定器を検討する。
誤差境界は、本質的に定義されたランゲヴィン拡散の離散化を用いてサンプリングと推定のために導出される。
論文 参考訳(メタデータ) (2023-12-22T18:01:11Z) - Uncertainty Visualization via Low-Dimensional Posterior Projections [26.26693707762823]
低次元部分空間上のエネルギーベースモデル(EBM)を用いて後部を推定・可視化するための新しいアプローチを提案する。
提案手法の有効性を,多様なデータセットと画像復元問題にまたがって示す。
論文 参考訳(メタデータ) (2023-12-12T23:51:07Z) - Solving Linear Inverse Problems Provably via Posterior Sampling with
Latent Diffusion Models [98.95988351420334]
本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。
線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
論文 参考訳(メタデータ) (2023-07-02T17:21:30Z) - Bayesian Hierarchical Models for Counterfactual Estimation [12.159830463756341]
本稿では,多種多様なカウンターファクトの集合を推定する確率的パラダイムを提案する。
摂動を事前分布関数によるランダム変数として扱う。
収束特性の優れた勾配ベースサンプリング器は、後方サンプルを効率的に計算する。
論文 参考訳(メタデータ) (2023-01-21T00:21:11Z) - Semi-supervised Invertible DeepONets for Bayesian Inverse Problems [8.594140167290098]
DeepONetsは、学習オペレーターによってパラメトリックPDEを解決する強力なデータ駆動ツールを提供する。
本研究では,高次元ベイズ逆問題(Bayesian inverse problem)の文脈で物理インフォームド・ディープノネット(DeepONets)を用いる。
論文 参考訳(メタデータ) (2022-09-06T18:55:06Z) - A Provably Efficient Model-Free Posterior Sampling Method for Episodic
Reinforcement Learning [50.910152564914405]
強化学習のための既存の後方サンプリング手法は、モデルベースであるか、線形MDPを超える最悪の理論的保証がないかによって制限される。
本稿では,理論的保証を伴うより一般的な補足的強化学習問題に適用可能な,後部サンプリングのモデルフリーな新しい定式化を提案する。
論文 参考訳(メタデータ) (2022-08-23T12:21:01Z) - Improving Diffusion Models for Inverse Problems using Manifold
Constraints [35.50393732825064]
我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。
この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。
本手法は理論上も経験上も従来の方法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-06-02T09:06:10Z) - A Dimensionality Reduction Method for Finding Least Favorable Priors
with a Focus on Bregman Divergence [108.28566246421742]
そこで本研究では,次元に明示的な有界な有限次元設定に最適化を移動させることができる次元削減法を開発した。
この問題を進展させるため、比較的大きな損失関数、すなわちブレグマンの発散によって引き起こされるベイズ的リスクに限定する。
論文 参考訳(メタデータ) (2022-02-23T16:22:28Z) - 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)
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。