論文の概要: Learned Bayesian Cramér-Rao Bound for Unknown Measurement Models Using Score Neural Networks
- arxiv url: http://arxiv.org/abs/2502.00724v2
- Date: Sun, 09 Feb 2025 06:19:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:28:07.459119
- Title: Learned Bayesian Cramér-Rao Bound for Unknown Measurement Models Using Score Neural Networks
- Title(参考訳): スコアニューラルネットワークを用いた未知の測定モデルのためのベイジアン・クラメール・ラオ境界の学習
- Authors: Hai Victor Habi, Hagit Messer, Yoram Bresler,
- Abstract要約: 本稿では,事前分布と測定分布の両方を学習する完全学習型ベイズクラム・ラオ境界(LBCRB)を提案する。
そこで本研究では,そのような知識をニューラルネットワークに簡単に組み込むことのできる物理符号化スコアニューラルネットワークを提案する。
- 参考スコア(独自算出の注目度): 13.927943269211589
- License:
- Abstract: The Bayesian Cram\'er-Rao bound (BCRB) is a crucial tool in signal processing for assessing the fundamental limitations of any estimation problem as well as benchmarking within a Bayesian frameworks. However, the BCRB cannot be computed without full knowledge of the prior and the measurement distributions. In this work, we propose a fully learned Bayesian Cram\'er-Rao bound (LBCRB) that learns both the prior and the measurement distributions. Specifically, we suggest two approaches to obtain the LBCRB: the Posterior Approach and the Measurement-Prior Approach. The Posterior Approach provides a simple method to obtain the LBCRB, whereas the Measurement-Prior Approach enables us to incorporate domain knowledge to improve the sample complexity and {interpretability}. To achieve this, we introduce a Physics-encoded score neural network which enables us to easily incorporate such domain knowledge into a neural network. We {study the learning} errors of the two suggested approaches theoretically, and validate them numerically. We demonstrate the two approaches on several signal processing examples, including a linear measurement problem with unknown mixing and Gaussian noise covariance matrices, frequency estimation, and quantized measurement. In addition, we test our approach on a nonlinear signal processing problem of frequency estimation with real-world underwater ambient noise.
- Abstract(参考訳): Bayesian Cram\'er-Rao bound (BCRB) は、任意の推定問題の基本的な限界とベイズフレームワーク内のベンチマークを評価するための信号処理において重要なツールである。
しかし、BCRBは、事前および測定分布の完全な知識がなければ計算できない。
本研究では,事前分布と測定分布の両方を学習する完全学習型ベイズクラム・ラオ境界(LBCRB)を提案する。
具体的には,LBCRBを得るための2つのアプローチを提案する。
ポストリアアプローチはLBCRBを得るための簡単な方法を提供するが、測定-パラメータアプローチはドメイン知識を組み込んでサンプルの複雑さと解釈可能性を改善することができる。
そこで本研究では,そのような知識をニューラルネットワークに簡単に組み込むことのできる物理符号化スコアニューラルネットワークを提案する。
理論的に提案した2つのアプローチの学習誤差を解析し,数値的に検証した。
本稿では、未知の混合とガウス雑音共分散行列を用いた線形測定問題、周波数推定、量子化測定など、いくつかの信号処理の例について2つの手法を実証する。
さらに,実世界の水中環境騒音を用いた周波数推定における非線形信号処理問題について検討した。
関連論文リスト
- Downlink MIMO Channel Estimation from Bits: Recoverability and Algorithm [47.7091447096969]
主な課題は、ユーザ機器(UE)からの限られたフィードバックから基地局(BS)のダウンリンクチャネル状態情報(CSI)を取得することである。
本稿では、UE側で圧縮とガウスディザリングに基づく量子化戦略を採用し、BS側で最大極大推定器(MLE)を定式化する単純なフィードバックフレームワークを提案する。
このアルゴリズムは、高次高調波探索(HR)ソルバをサブルーチンとして統合するために慎重に設計されており、この難しいMLE問題に効果的に取り組む鍵であることが判明した。
論文 参考訳(メタデータ) (2024-11-25T02:15:01Z) - Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。
圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
論文 参考訳(メタデータ) (2024-09-19T17:56:16Z) - Robust shallow shadows [0.251657752676152]
浅層計測回路の幅広いクラスを対象としたロバストなシャドウ推定プロトコルを提案する。
テンソルネットワークツールを用いて実験データから直接推定する方法を示す。
提案手法は,現在および近時雑音量子デバイスの実用的制約の下で,大域回転による影推定の可能性の最大化を実現する。
論文 参考訳(メタデータ) (2024-05-09T18:00:09Z) - Bayesian Cramér-Rao Bound Estimation with Score-Based Models [3.4480437706804503]
ベイジアンクラム・ラオ境界(英語版)(英: Bayesian Cram'er-Rao bound, CRB)は、任意のベイジアン推定器の平均二乗誤差に対する下界を与える。
本研究は,スコアマッチングを用いたCRBのための新しいデータ駆動推定手法を提案する。
論文 参考訳(メタデータ) (2023-09-28T00:22:21Z) - A Neural Network Warm-Start Approach for the Inverse Acoustic Obstacle
Scattering Problem [7.624866197576227]
本稿では,逆散乱問題の解法として,ニューラルネットワークのウォームスタート手法を提案する。
トレーニングされたニューラルネットワークを用いて最適化問題の初期推定を求める。
このアルゴリズムは散乱場の測定においてノイズに対して頑健であり、また限られた開口データに対して真の解に収束する。
論文 参考訳(メタデータ) (2022-12-16T22:18:48Z) - Mixtures of Laplace Approximations for Improved Post-Hoc Uncertainty in
Deep Learning [24.3370326359959]
独立に訓練された深層ニューラルネットワークのラプラス近似の重み付け和からなるガウス混合モデル後部モデルを用いて予測することを提案する。
我々は,本手法がトレーニングデータから「遠方」に過信を緩和し,標準不確実性定量化ベンチマークにおける最先端のベースラインを実証的に比較することを理論的に検証した。
論文 参考訳(メタデータ) (2021-11-05T15:52:48Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳(メタデータ) (2021-10-24T10:23:51Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳(メタデータ) (2021-09-06T13:42:32Z) - Learning based signal detection for MIMO systems with unknown noise
statistics [84.02122699723536]
本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。
実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。
我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
論文 参考訳(メタデータ) (2021-01-21T04:48:15Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳(メタデータ) (2020-11-05T08:04:34Z)
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。