Fugu-MT 論文翻訳(概要): What is Wrong with End-to-End Learning for Phase Retrieval?

論文の概要: What is Wrong with End-to-End Learning for Phase Retrieval?

arxiv url: http://arxiv.org/abs/2403.15448v1
Date: Mon, 18 Mar 2024 03:01:53 GMT
ステータス: 処理完了
システム内更新日: 2024-04-01 02:44:33.717534
Title: What is Wrong with End-to-End Learning for Phase Retrieval?
Title（参考訳）: 位相検索におけるエンド・ツー・エンド・ラーニングとは何か?
Authors: Wenjie Zhang, Yuxiang Wan, Zhong Zhuang, Ju Sun,
Abstract要約: このような問題を解決するために,データ駆動型ディープラーニングアプローチを用いることで,フォワードモデルの対称性が学習困難を引き起こすことを示す。学習前にトレーニングセット、すなわち対称性の破れを前処理することで、それらを克服する方法を示す。
参考スコア（独自算出の注目度）: 6.464093417537727
License: http://creativecommons.org/licenses/by/4.0/
Abstract: For nonlinear inverse problems that are prevalent in imaging science, symmetries in the forward model are common. When data-driven deep learning approaches are used to solve such problems, these intrinsic symmetries can cause substantial learning difficulties. In this paper, we explain how such difficulties arise and, more importantly, how to overcome them by preprocessing the training set before any learning, i.e., symmetry breaking. We take far-field phase retrieval (FFPR), which is central to many areas of scientific imaging, as an example and show that symmetric breaking can substantially improve data-driven learning. We also formulate the mathematical principle of symmetry breaking.
Abstract（参考訳）: 画像科学でよく見られる非線形逆問題に対しては、フォワードモデルの対称性が一般的である。このような問題を解決するためにデータ駆動型ディープラーニングアプローチを使用する場合、本質的な対称性は重大な学習困難を引き起こす可能性がある。本稿では,このような困難がどうして生じるのか,さらに重要なことは,学習前にトレーニングセット,すなわち対称性の破れを前処理して克服する方法を説明する。科学画像の多くの領域において中心的な遠距離位相探索 (FFPR) を例に挙げ, 対称破壊がデータ駆動学習を大幅に改善することを示す。また、対称性の破れの数学的原理を定式化する。

関連論文リスト

Symmetry Considerations for Learning Task Symmetric Robot Policies [12.856889419651521]
シンメトリーは多くの現実世界のロボットタスクの基本的な側面である。現在の深層強化学習(DRL)アプローチは、対称性を効果的に活用することは滅多にない。
論文参考訳（メタデータ） (2024-03-07T09:41:11Z)
Learning Layer-wise Equivariances Automatically using Gradients [66.81218780702125]
畳み込みは等価対称性をニューラルネットワークにエンコードし、より優れた一般化性能をもたらす。対称性は、ネットワークが表現できる機能、事前に指定する必要、適応できない機能に対して、固定されたハード制約を提供する。私たちのゴールは、勾配を使ってデータから自動的に学習できるフレキシブル対称性の制約を可能にすることです。
論文参考訳（メタデータ） (2023-10-09T20:22:43Z)
Symmetry Induces Structure and Constraint of Learning [0.0]
機械学習モデルの学習行動に影響を及ぼすか、決定しないかにかかわらず、損失関数対称性の重要性を明らかにする。ディープラーニングにおけるミラー対称性の一般的な例としては、再スケーリング、回転、置換対称性がある。ニューラルネットワークにおける可塑性の喪失や様々な崩壊現象などの興味深い現象を理論的枠組みで説明できることを示す。
論文参考訳（メタデータ） (2023-09-29T02:21:31Z)
Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
論文参考訳（メタデータ） (2022-09-29T18:11:01Z)
Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
論文参考訳（メタデータ） (2022-07-26T02:10:15Z)
SNeS: Learning Probably Symmetric Neural Surfaces from Incomplete Data [77.53134858717728]
我々はニューラルレイディアンスフィールド(NeRF)のようなニューラルリコンストラクションとレンダリングの最近の進歩の強みの上に構築する。我々は3次元形状と材料特性にソフト対称性の制約を適用し,光,アルベド色,反射率に分解された外観を有する。保存されていない領域を高い忠実度で再構成し、高品質な新しいビュー画像を作成することができることを示す。
論文参考訳（メタデータ） (2022-06-13T17:37:50Z)
Neural Bregman Divergences for Distance Learning [60.375385370556145]
本稿では,入力凸ニューラルネットワークを用いて任意のブレグマン分岐を微分可能な方法で学習するための新しいアプローチを提案する。提案手法は,新しいタスクと以前に研究されたタスクのセットにおいて,より忠実に相違点を学習することを示す。我々のテストはさらに、既知の非対称なタスクにまで拡張するが、Bregmanでないタスクでは、不特定性にもかかわらず、我々のメソッドは競争的に機能する。
論文参考訳（メタデータ） (2022-06-09T20:53:15Z)
Perspective: A Phase Diagram for Deep Learning unifying Jamming, Feature Learning and Lazy Training [4.318555434063275]
ディープラーニングアルゴリズムは、画像認識やgoプレイなど、さまざまなタスクにおける技術革命の責任を負う。しかし、なぜ働くのかは分かっていない。最終的に、彼らは高い次元に横たわるデータを分類することに成功しました。我々は、異なる学習体制をフェーズダイアグラムにまとめることができると論じる。
論文参考訳（メタデータ） (2020-12-30T11:00:36Z)
From Symmetry to Geometry: Tractable Nonconvex Problems [20.051126124841076]
ランドスケープにおける曲率の役割と対称性の異なる役割について論じる。これは観測された現象のオープンな問題に富んでいる。
論文参考訳（メタデータ） (2020-07-14T01:19:15Z)
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。