論文の概要: Robustness and Exploration of Variational and Machine Learning
Approaches to Inverse Problems: An Overview
- arxiv url: http://arxiv.org/abs/2402.12072v1
- Date: Mon, 19 Feb 2024 11:48:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 16:53:29.124544
- Title: Robustness and Exploration of Variational and Machine Learning
Approaches to Inverse Problems: An Overview
- Title（参考訳）: 逆問題に対する変分的および機械学習アプローチのロバスト性と探索:概要
- Authors: Alexander Auras, Kanchana Vaishnavi Gandikota, Hannah Droege, Michael
Moeller
- Abstract要約: 本稿では,変分法と機械学習を用いた画像の逆問題に対する現在のアプローチの概要について述べる。
特別な焦点は、点推定器とその敵の摂動に対する頑健性である。
- 参考スコア（独自算出の注目度）: 50.166025644333295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper attempts to provide an overview of current approaches for solving
inverse problems in imaging using variational methods and machine learning. A
special focus lies on point estimators and their robustness against adversarial
perturbations. In this context results of numerical experiments for a
one-dimensional toy problem are provided, showing the robustness of different
approaches and empirically verifying theoretical guarantees. Another focus of
this review is the exploration of the subspace of data consistent solutions
through explicit guidance to satisfy specific semantic or textural properties.
- Abstract（参考訳）: 本稿では,変分法と機械学習を用いた画像の逆問題に対する現在のアプローチの概要について述べる。
特別な焦点は、点推定器とその敵の摂動に対する堅牢性である。
この文脈で, 1次元玩具問題の数値実験を行い, 異なるアプローチのロバスト性を示し, 理論的保証を実証的に検証した。
このレビューのもう1つの焦点は、特定の意味的またはテクスチュラルな特性を満たすための明確なガイダンスを通じて、データ一貫性のあるソリューションのサブスペースを探索することである。
関連論文リスト
- Learned reconstruction methods for inverse problems: sample error
estimates [0.8702432681310401]
本論文は,学習した再構成手法の一般化特性,特にサンプル誤差解析を行うためのものである。
より一般的な戦略が提案され、その仮定は、逆問題と学習方法の大きなクラスに対して満たされる。
論文 参考訳（メタデータ） (2023-12-21T17:56:19Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳（メタデータ） (2023-11-09T23:32:06Z) - SARAH-based Variance-reduced Algorithm for Stochastic Finite-sum
Cocoercive Variational Inequalities [137.6408511310322]
有限サムコヒーレンシブ変分不等式の問題を考える。
強い単調な問題に対しては、この方法を用いて解への線形収束を達成することができる。
論文 参考訳（メタデータ） (2022-10-12T08:04:48Z) - Spectral Decomposition Representation for Reinforcement Learning [100.0424588013549]
本稿では, スペクトル分解表現法(SPEDER)を提案する。この手法は, データ収集ポリシーに急激な依存を生じさせることなく, ダイナミックスから状態-作用の抽象化を抽出する。
理論的解析により、オンライン設定とオフライン設定の両方において提案アルゴリズムのサンプル効率が確立される。
実験により、いくつかのベンチマークで現在の最先端アルゴリズムよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-08-19T19:01:30Z) - Robust Machine Learning via Privacy/Rate-Distortion Theory [34.28921458311185]
ロバストな機械学習の定式化は、敵対的な例に対するディープニューラルネットワークの一般的な脆弱性に対処するために現れている。
我々の研究は、最適ロバスト学習とプライバシ・ユーティリティ・トレードオフ問題との関連性を引き合いに出し、これは率歪み問題の一般化である。
この情報理論的な観点は、堅牢性とクリーンなデータパフォーマンスの基本的なトレードオフに光を当てています。
論文 参考訳（メタデータ） (2020-07-22T21:34:59Z) - 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) - 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) - Total Deep Variation for Linear Inverse Problems [71.90933869570914]
本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。
本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
論文 参考訳（メタデータ） (2020-01-14T19:01:50Z)
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。