論文の概要: Solution of physics-based inverse problems using conditional generative
adversarial networks with full gradient penalty
- arxiv url: http://arxiv.org/abs/2306.04895v1
- Date: Thu, 8 Jun 2023 02:49:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 16:31:42.011675
- Title: Solution of physics-based inverse problems using conditional generative
adversarial networks with full gradient penalty
- Title（参考訳）: フルグラデーションペナルティをもつ条件付き生成逆ネットワークを用いた物理学に基づく逆問題の解法
- Authors: Deep Ray, Javier Murgoitio-Esandi, Agnimitra Dasgupta, Assad A. Oberai
- Abstract要約: 本研究は、事前分布から引き出された推定ベクトルのサンプルと物理ベースフォワードモデルを用いて、条件付きワッサーシュタイン生成逆数ネットワーク(cWGAN)のトレーニングデータを生成する。
cWGANは、測定に基づいて条件付き推定ベクトルの確率分布を学習し、この分布からサンプルを生成する。
- 参考スコア（独自算出の注目度）: 0.41998444721319217
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The solution of probabilistic inverse problems for which the corresponding
forward problem is constrained by physical principles is challenging. This is
especially true if the dimension of the inferred vector is large and the prior
information about it is in the form of a collection of samples. In this work, a
novel deep learning based approach is developed and applied to solving these
types of problems. The approach utilizes samples of the inferred vector drawn
from the prior distribution and a physics-based forward model to generate
training data for a conditional Wasserstein generative adversarial network
(cWGAN). The cWGAN learns the probability distribution for the inferred vector
conditioned on the measurement and produces samples from this distribution. The
cWGAN developed in this work differs from earlier versions in that its critic
is required to be 1-Lipschitz with respect to both the inferred and the
measurement vectors and not just the former. This leads to a loss term with the
full (and not partial) gradient penalty. It is shown that this rather simple
change leads to a stronger notion of convergence for the conditional density
learned by the cWGAN and a more robust and accurate sampling strategy. Through
numerical examples it is shown that this change also translates to better
accuracy when solving inverse problems. The numerical examples considered
include illustrative problems where the true distribution and/or statistics are
known, and a more complex inverse problem motivated by applications in
biomechanics.
- Abstract（参考訳）: 対応するフォワード問題は物理原理によって制約される確率的逆問題の解は困難である。
これは特に、推定ベクトルの次元が大きく、それに関する以前の情報がサンプルの集まりの形で存在する場合である。
本研究では,これらの問題を解決するために,新しい深層学習に基づくアプローチを開発し,応用する。
提案手法では,事前分布から引き出された推定ベクトルのサンプルと物理モデルを用いて,条件付きワッサーシュタイン生成逆数ネットワーク(cWGAN)のトレーニングデータを生成する。
cWGANは、測定に基づいて条件付き推定ベクトルの確率分布を学習し、この分布からサンプルを生成する。
この研究で開発されたcWGANは、前者だけでなく、推定ベクトルと測定ベクトルの両方に関して、その批判が1-Lipschitzであることが要求される以前のバージョンとは異なる。
これは完全な(部分的ではない)勾配のペナルティを伴う損失項につながる。
この比較的単純な変化は、cWGANによって学習された条件密度の収束の強い概念と、より堅牢で正確なサンプリング戦略をもたらすことが示されている。
数値的な例を通して、この変化は逆問題を解く際の精度も向上することを示した。
考えられる数値的な例は、真の分布や統計が知られているような実証的な問題と、バイオメカニクスの応用によって動機付けられたより複雑な逆問題である。
関連論文リスト
- Tilt your Head: Activating the Hidden Spatial-Invariance of Classifiers [0.7704032792820767]
ディープニューラルネットワークは、日々の生活の多くの領域に適用されている。
これらは、空間的に変換された入力信号に頑健に対処するなど、依然として必須の能力が欠如している。
本稿では,ニューラルネットの推論過程をエミュレートする新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-06T09:47:29Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。
本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - Spectrum-Aware Debiasing: A Modern Inference Framework with Applications to Principal Components Regression [1.342834401139078]
本稿では,高次元回帰のための新しい手法であるSpectrumAware Debiasingを紹介する。
我々のアプローチは、構造的、重く、低ランクな構造に関する問題に適用できる。
シミュレーションおよび実データ実験により本手法を実証する。
論文 参考訳（メタデータ） (2023-09-14T15:58:30Z) - A generative flow for conditional sampling via optimal transport [1.0486135378491266]
本研究は、参照サンプルを対象に反復的にマッピングする非パラメトリック生成モデルを提案する。
このモデルは、対象分布の条件を特徴付けるためにコンポーネントが示されるブロック三角形輸送マップを使用する。
これらのマップは、L2$コスト関数を重み付けした最適輸送問題の解法から生じ、条件付きサンプリングのための[Trigila and Tabak, 2016]におけるデータ駆動アプローチを拡張した。
論文 参考訳（メタデータ） (2023-07-09T05:36:26Z) - GIT: Detecting Uncertainty, Out-Of-Distribution and Adversarial Samples
using Gradients and Invariance Transformations [77.34726150561087]
本稿では,ディープニューラルネットワークにおける一般化誤差検出のための総合的アプローチを提案する。
GITは勾配情報と不変変換の利用を組み合わせる。
本実験は,各種ネットワークアーキテクチャの最先端技術と比較して,GITの優れた性能を示すものである。
論文 参考訳（メタデータ） (2023-07-05T22:04:38Z) - More is Less: Inducing Sparsity via Overparameterization [2.885175627590247]
ディープラーニングでは、ニューラルネットワークを過度にパラメータ化する、すなわち、トレーニングサンプルよりも多くのパラメータを使用することが一般的である。
驚くほど驚くべきことに、(確率的な)勾配勾配によるニューラルネットワークを一般化すると、それは非常にうまく行く。
我々の証明は、流れのあるブレグマンの発散を分析することに依存している。
論文 参考訳（メタデータ） (2021-12-21T07:55:55Z) - Orthogonal Jacobian Regularization for Unsupervised Disentanglement in
Image Generation [64.92152574895111]
直交ジャコビアン正規化法(OroJaR)を提案する。
提案手法は, 絡み合った, 制御可能な画像生成に有効であり, 最先端の手法に対して好適に機能する。
論文 参考訳（メタデータ） (2021-08-17T15:01:46Z) - Pathwise Conditioning of Gaussian Processes [72.61885354624604]
ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。
この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。
条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
論文 参考訳（メタデータ） (2020-11-08T17:09:37Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳（メタデータ） (2020-09-07T13:01:45Z) - Parameterizing uncertainty by deep invertible networks, an application
to reservoir characterization [0.9176056742068814]
フルウェーブフォーム逆転に対する不確かさの定量化は、問題の条件の不確かさを確率論的に特徴づける。
本研究では,モデル空間へのガウス的ランダム入力を,実際の後部分布からサンプリングしたかのように「前方」に学習するディープネットワークを特徴とするアプローチを提案する。
論文 参考訳（メタデータ） (2020-04-16T18:37:56Z) - 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。