論文の概要: An Over Complete Deep Learning Method for Inverse Problems
- arxiv url: http://arxiv.org/abs/2402.04653v1
- Date: Wed, 7 Feb 2024 08:38:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-08 16:17:00.321762
- Title: An Over Complete Deep Learning Method for Inverse Problems
- Title（参考訳）: 逆問題に対する超完全深層学習法
- Authors: Moshe Eliasof, Eldad Haber, Eran Treister
- Abstract要約: 機械学習技術は、いくつかの模範的な問題に適用した場合、課題に直面する可能性があることを示す。
オーバーコンプリート辞書に関する以前の研究と同様、解を高次元に埋め込むことでこれらの欠点を克服できることが示される。
いくつかの例と一般的な逆問題に対して、このアプローチの利点を実証する。
- 参考スコア（独自算出の注目度）: 15.919986945096182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Obtaining meaningful solutions for inverse problems has been a major
challenge with many applications in science and engineering. Recent machine
learning techniques based on proximal and diffusion-based methods have shown
promising results. However, as we show in this work, they can also face
challenges when applied to some exemplary problems. We show that similar to
previous works on over-complete dictionaries, it is possible to overcome these
shortcomings by embedding the solution into higher dimensions. The novelty of
the work proposed is that we jointly design and learn the embedding and the
regularizer for the embedding vector. We demonstrate the merit of this approach
on several exemplary and common inverse problems.
- Abstract（参考訳）: 逆問題に対する有意義な解決策を得ることは、科学や工学における多くの応用において大きな課題となっている。
近年,近位および拡散に基づく機械学習手法が有望な結果を示している。
しかし、本研究で示すように、いくつかの模範的な問題に適用すると、課題にも直面することができる。
オーバーコンプリート辞書に関する以前の研究と同様、解を高次元に埋め込むことでこれらの欠点を克服できることを示す。
提案する研究の目新しさは,埋め込みベクトルの埋め込みと正規化を共同で設計し,学習することである。
このアプローチのメリットを,いくつかの例と一般的な逆問題に対して示す。
関連論文リスト
- A Survey on Diffusion Models for Inverse Problems [110.6628926886398]
本稿では, 事前学習した拡散モデルを用いて, さらなる学習を必要とせず, 逆問題の解法について概説する。
逆問題に対する潜伏拡散モデルの使用に伴う具体的な課題と潜在的な解決策について論じる。
論文 参考訳（メタデータ） (2024-09-30T17:34:01Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Exploring the solution space of linear inverse problems with GAN latent
geometry [23.779985842891705]
逆問題とは、不完全な測定セットからの信号の再構成である。
そこで本研究では, 生成的逆数ネットワークによって学習された, 測定値とデータ駆動型事前学習の両方に適合する複数の再構成を生成する手法を提案する。
論文 参考訳（メタデータ） (2022-07-01T14:33:44Z) - Theoretical Perspectives on Deep Learning Methods in Inverse Problems [115.93934028666845]
我々は、生成前の先行、訓練されていないニューラルネットワークの先行、および展開アルゴリズムに焦点を当てる。
これらのトピックにおける既存の結果の要約に加えて、現在進行中の課題やオープンな問題も強調する。
論文 参考訳（メタデータ） (2022-06-29T02:37:50Z) - Accelerating numerical methods by gradient-based meta-solving [15.90188271828615]
科学と工学の応用においては、しばしば同様の計算問題を何度も解くことが要求される。
我々はそれらを統一的に解くための勾配に基づくアルゴリズムを提案する。
理論的解析と数値実験により,本手法の性能と汎用性を実証する。
論文 参考訳（メタデータ） (2022-06-17T07:31:18Z) - Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
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) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Benchmarking deep inverse models over time, and the neural-adjoint
method [3.4376560669160394]
そこで本研究では,自然システムの隠れパラメータを決定するための一般的な逆問題について考察する。
我々はこれらのモデルを、効率的に、しかしランダムに、可能な逆解の空間を探索するための異なるスキームとして概念化する。
我々は,4つのベンチマークタスクについて,最先端の逆モデリング手法を比較した。
論文 参考訳（メタデータ） (2020-09-27T18:32:06Z) - Regularization of Inverse Problems by Neural Networks [0.0]
逆問題は、計算トモグラフィー、非破壊検査、リモートセンシングを含む様々な画像アプリケーションで発生する。
逆問題の特徴は、解の非特異性と不安定性である。
ディープラーニング技術とニューラルネットワークは、逆問題に対する古典的解法を大幅に上回ることを示した。
論文 参考訳（メタデータ） (2020-06-06T20:49:12Z) - Deep Learning Techniques for Inverse Problems in Imaging [102.30524824234264]
機械学習における最近の研究は、ディープニューラルネットワークが様々な逆問題の解決に利用できることを示している。
異なる問題や再構築方法の分類に使用できる分類法を提案する。
論文 参考訳（メタデータ） (2020-05-12T18:35:55Z) - Inverse Problems, Deep Learning, and Symmetry Breaking [6.54545059421233]
多くの物理系では、固有系対称性による入力は同じ出力にマッピングされる。
トレーニングデータに対する注意的対称性の破れは,その難しさを解消し,学習性能を著しく向上させることを示す。
論文 参考訳（メタデータ） (2020-03-20T02:43:57Z)
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。