Fugu-MT 論文翻訳(概要): Provably Convergent Data-Driven Convex-Nonconvex Regularization

論文の概要: Provably Convergent Data-Driven Convex-Nonconvex Regularization

arxiv url: http://arxiv.org/abs/2310.05812v2
Date: Thu, 2 Nov 2023 18:26:29 GMT
ステータス: 処理完了
システム内更新日: 2023-11-06 17:04:18.882874
Title: Provably Convergent Data-Driven Convex-Nonconvex Regularization
Title（参考訳）: データ駆動型凸非凸規則化の可能性
Authors: Zakhar Shumaylov, Jeremy Budd, Subhadip Mukherjee, Carola-Bibiane Sch\"onlieb
Abstract要約: 敵対的問題を解決するための新たなパラダイムは、データから正規化子を学ぶためにディープラーニングを使用することだ。これは高品質な結果をもたらすが、しばしばコンベックスノンCNNの証明可能なネットワークのコストで逆になる。正規化フレームワークが凸非CNN内でどのように収束するかを示す。
参考スコア（独自算出の注目度）: 4.1091334028843445
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: An emerging new paradigm for solving inverse problems is via the use of deep learning to learn a regularizer from data. This leads to high-quality results, but often at the cost of provable guarantees. In this work, we show how well-posedness and convergent regularization arises within the convex-nonconvex (CNC) framework for inverse problems. We introduce a novel input weakly convex neural network (IWCNN) construction to adapt the method of learned adversarial regularization to the CNC framework. Empirically we show that our method overcomes numerical issues of previous adversarial methods.
Abstract（参考訳）: 逆問題を解く新しいパラダイムは、データから正規化子を学ぶためにディープラーニングを利用することである。これは高品質な結果をもたらすが、しばしば証明可能な保証のコストがかかる。本研究では,逆問題に対する凸凸非凸(CNC)フレームワークにおいて,正則性および収束正則性がどのように生じるかを示す。我々は,CNCフレームワークに学習逆正則化の手法を適用するために,新しい入力弱凸ニューラルネットワーク(IWCNN)を導入する。経験的に,本手法は先行手法の数値的問題を克服することを示す。

関連論文リスト

Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
論文参考訳（メタデータ） (2024-10-22T10:19:27Z)
Weakly Convex Regularisers for Inverse Problems: Convergence of Critical Points and Primal-Dual Optimisation [12.455342327482223]
臨界点の観点から収束正則化の一般化された定式化を提案する。これは弱凸正規化器のクラスによって達成されることを示す。この理論を正規化学習に適用し、入力の弱い凸ニューラルネットワークに対する普遍的な近似を証明した。
論文参考訳（メタデータ） (2024-02-01T22:54:45Z)
Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
論文参考訳（メタデータ） (2023-10-20T12:45:12Z)
Convex Latent-Optimized Adversarial Regularizers for Imaging Inverse Problems [8.33626757808923]
本稿では,新しいデータ駆動型パラダイムであるConvex Latent-d Adrial Regularizers (CLEAR)を紹介する。 CLEARは、ディープラーニング(DL)と変分正規化の融合を表す。本手法は従来型のデータ駆動手法と従来型の正規化手法を一貫して上回っている。
論文参考訳（メタデータ） (2023-09-17T12:06:04Z)
An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文参考訳（メタデータ） (2023-06-10T08:25:16Z)
Deep unfolding as iterative regularization for imaging inverse problems [6.485466095579992]
ディープ展開法は、反復アルゴリズムを通じてディープニューラルネットワーク(DNN)の設計を導く。展開されたDNNが安定して収束することを証明する。提案手法が従来の展開法より優れていることを示す。
論文参考訳（メタデータ） (2022-11-24T07:38:47Z)
Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文参考訳（メタデータ） (2021-10-20T06:15:45Z)
Provably Convergent Algorithms for Solving Inverse Problems Using Generative Models [47.208080968675574]
より完全な理解を伴う逆問題における生成モデルの利用について検討する。我々は様々な逆問題を解くための実験結果を用いて主張を支持する。我々は,モデルミスマッチ(生成前処理が必ずしも適用されない状況)を処理する手法の拡張を提案する。
論文参考訳（メタデータ） (2021-05-13T15:58:27Z)
Learned convex regularizers for inverse problems [3.294199808987679]
本稿では,逆問題に対する正規化器として,データ適応型入力ニューラルネットワーク(ICNN)を学習することを提案する。パラメータ空間における単調な誤差を反復で減少させる部分次アルゴリズムの存在を実証する。提案した凸正則化器は, 逆問題に対する最先端のデータ駆動技術に対して, 少なくとも競争力があり, 時には優位であることを示す。
論文参考訳（メタデータ） (2020-08-06T18:58:35Z)
Total Deep Variation: A Stable Regularizer for Inverse Problems [71.90933869570914]
本稿では,データ駆動型汎用全深度変動正規化器について紹介する。コアでは、畳み込みニューラルネットワークが複数のスケールや連続したブロックで局所的な特徴を抽出する。我々は多数の画像処理タスクに対して最先端の結果を得る。
論文参考訳（メタデータ） (2020-06-15T21:54:15Z)
A Novel Learnable Gradient Descent Type Algorithm for Non-convex Non-smooth Inverse Problems [3.888272676868008]
本稿では,汎用アーキテクチャとニューラルネットワークを用いた逆問題の解法を提案する。提案したネットワークは, 画像問題に対して, 効率と結果の点で, 状態再構成法よりも優れていた。
論文参考訳（メタデータ） (2020-03-15T03:44:43Z)

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。