論文の概要: Efficient Prior Calibration From Indirect Data
- arxiv url: http://arxiv.org/abs/2405.17955v1
- Date: Tue, 28 May 2024 08:34:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-29 19:37:52.906476
- Title: Efficient Prior Calibration From Indirect Data
- Title(参考訳): 間接データからの効率的な事前校正
- Authors: O. Deniz Akyildiz, Mark Girolami, Andrew M. Stuart, Arnaud Vadeboncoeur,
- Abstract要約: 本稿では,データから先行モデルを学習すること,特にノイズ観測プロセスを通じて得られた間接データの多元的実現から先行モデルを学習することに関心がある。
フォワードモデルの効率的な残差ベースニューラル演算子近似を提案し,これをプッシュフォワードマップと同時学習できることを示した。
- 参考スコア(独自算出の注目度): 5.588334720483076
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian inversion is central to the quantification of uncertainty within problems arising from numerous applications in science and engineering. To formulate the approach, four ingredients are required: a forward model mapping the unknown parameter to an element of a solution space, often the solution space for a differential equation; an observation operator mapping an element of the solution space to the data space; a noise model describing how noise pollutes the observations; and a prior model describing knowledge about the unknown parameter before the data is acquired. This paper is concerned with learning the prior model from data; in particular, learning the prior from multiple realizations of indirect data obtained through the noisy observation process. The prior is represented, using a generative model, as the pushforward of a Gaussian in a latent space; the pushforward map is learned by minimizing an appropriate loss function. A metric that is well-defined under empirical approximation is used to define the loss function for the pushforward map to make an implementable methodology. Furthermore, an efficient residual-based neural operator approximation of the forward model is proposed and it is shown that this may be learned concurrently with the pushforward map, using a bilevel optimization formulation of the problem; this use of neural operator approximation has the potential to make prior learning from indirect data more computationally efficient, especially when the observation process is expensive, non-smooth or not known. The ideas are illustrated with the Darcy flow inverse problem of finding permeability from piezometric head measurements.
- Abstract(参考訳): ベイズ反転は、科学と工学の多くの応用から生じる問題における不確実性の定量化の中心である。
アプローチを定式化するには、未知のパラメータを解空間の要素、しばしば微分方程式の解空間にマッピングするフォワードモデル、解空間の要素をデータ空間にマッピングするオブザーバオペレータ、ノイズがどのように観測を汚染するかを記述するノイズモデル、データを取得する前に未知のパラメータに関する知識を記述する先行モデル、の4つの要素が必要である。
本稿では,データから先行モデルを学習すること,特にノイズ観測プロセスを通じて得られた間接データの多元的実現から先行モデルを学習することに関心がある。
前者は生成モデルを用いて潜在空間におけるガウスのプッシュフォワードとして表現され、プッシュフォワード写像は適切な損失関数を最小化することによって学習される。
経験的近似の下でよく定義される計量は、プッシュフォワード写像の損失関数を定義して実装可能な方法論を作成するために用いられる。
さらに、フォワードモデルの効率的な残差ベースのニューラル演算子近似を提案し、この問題の双レベル最適化式を用いてプッシュフォワードマップと同時に学習できることを示し、このニューラル演算子近似を用いることで、特に観測プロセスが高価、非滑らか、あるいは未知の場合には、間接データからの事前学習をより効率的にすることが可能になる。
これらの考え方は、ピエゾメトリックヘッド測定から透水性を見出すダーシー流逆問題(Darcy flow inverse problem)で示される。
関連論文リスト
- Learning on manifolds without manifold learning [0.0]
未知分布からランダムに描画されたデータに基づく関数近似は、機械学習において重要な問題である。
データは高次元ユークリッド空間の未知の部分多様体からサンプリングされると仮定する。
我々の手法は、その次元以外の多様体に関する情報を得るために、データの事前処理を必要としない。
論文 参考訳(メタデータ) (2024-02-20T03:27:53Z) - Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。
この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
論文 参考訳(メタデータ) (2023-07-06T15:19:53Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - MissDAG: Causal Discovery in the Presence of Missing Data with
Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。
MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。
各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文 参考訳(メタデータ) (2022-05-27T09:59:46Z) - Generative models and Bayesian inversion using Laplace approximation [0.3670422696827525]
近年, 生成モデルを用いて高情報化の先行問題として逆問題の解法が提案されている。
導出ベイズ推定は、生成モデルの低次元多様体を用いたアプローチとは対照的に、一貫したものであることを示す。
論文 参考訳(メタデータ) (2022-03-15T10:05:43Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳(メタデータ) (2022-02-23T11:23:59Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Statistical Outlier Identification in Multi-robot Visual SLAM using
Expectation Maximization [18.259478519717426]
本稿では、同時局所化およびマッピング(SLAM)におけるマップ間ループ閉包外乱検出のための、新しい分散手法を提案する。
提案アルゴリズムは優れた初期化に頼らず、一度に2つ以上のマップを処理できる。
論文 参考訳(メタデータ) (2020-02-07T06:34:44Z)
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。