論文の概要: Behind the Noise: Conformal Quantile Regression Reveals Emergent Representations

• arxiv url: http://arxiv.org/abs/2505.08176v1
• Date: Tue, 13 May 2025 02:27:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.397338
• Title: Behind the Noise: Conformal Quantile Regression Reveals Emergent Representations
• Title（参考訳）: ノイズの裏側:コンフォーマルな量子的回帰が創発的表現を発見
• Authors: Petrus H. Zwart, Tamas Varga, Odeta Qafoku, James A. Sethian,
• Abstract要約: 本稿では,不確実性境界を校正した低品質測定を識別する機械学習手法を提案する。 共形量子レグレッションを用いて訓練された軽量でランダムに構造化されたニューラルネットワークのアンサンブルを用いて,本手法は信頼性の高い復調を行う。 実世界の地球生物化学イメージングデータに対するアプローチを検証し、自信ある解釈をサポートし、実験設計をガイドする方法を示す。
• 参考スコア（独自算出の注目度）: 0.2445561610325265
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Scientific imaging often involves long acquisition times to obtain high-quality data, especially when probing complex, heterogeneous systems. However, reducing acquisition time to increase throughput inevitably introduces significant noise into the measurements. We present a machine learning approach that not only denoises low-quality measurements with calibrated uncertainty bounds, but also reveals emergent structure in the latent space. By using ensembles of lightweight, randomly structured neural networks trained via conformal quantile regression, our method performs reliable denoising while uncovering interpretable spatial and chemical features -- without requiring labels or segmentation. Unlike conventional approaches focused solely on image restoration, our framework leverages the denoising process itself to drive the emergence of meaningful representations. We validate the approach on real-world geobiochemical imaging data, showing how it supports confident interpretation and guides experimental design under resource constraints.
• Abstract（参考訳）: 科学的イメージングは、特に複雑で異質なシステムを探索する場合、高品質なデータを得るのに長い時間を要することが多い。 しかし、スループットを向上させるために取得時間を短縮することは、必然的に測定にかなりのノイズをもたらす。 我々は,不確実性境界を校正した低品質測定を軽視するだけでなく,潜在空間における創発的構造を明らかにする機械学習手法を提案する。 共形量子レグレッションによってトレーニングされた軽量でランダムに構造化されたニューラルネットワークのアンサンブルを使用することで、本手法は、ラベルやセグメンテーションを必要とせずに、解釈可能な空間的特徴と化学的特徴を発見しながら、信頼性の高い復調を行う。 画像復元に焦点を絞った従来のアプローチとは異なり、我々のフレームワークは、意味のある表現の出現を促進するために、認知プロセス自体を活用する。 本研究では, 実世界の地化学イメージングデータに対するアプローチを検証するとともに, 信頼性の高い解釈をサポートし, 資源制約下での実験設計をガイドする方法を示す。

関連論文リスト

• Noisier2Inverse: Self-Supervised Learning for Image Reconstruction with Correlated Noise [1.099532646524593]
  Noisier2Inverseは、一般的な逆確率補題に対する修正不要な自己教師型深層学習手法である。 本手法は, 相関雑音を考慮した従来の自己教師型手法よりも明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-25T08:59:11Z)
• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• Hierarchical Disentangled Representation for Invertible Image Denoising and Beyond [14.432771193620702]
  画像の高周波部分にノイズが現れる傾向にあるという潜在観測に着想を得て,完全可逆復調法を提案する。 ノイズ画像は、可逆変換により、清浄な低周波およびハイブリッドな高周波部品に分解する。 このように、ノイズのない低周波部品と高周波部品とを逆にマージして、デノナイジングをトラクタブルにする。
  論文  参考訳（メタデータ） (2023-01-31T01:24:34Z)
• Representing Noisy Image Without Denoising [91.73819173191076]
  ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。 従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
  論文  参考訳（メタデータ） (2023-01-18T10:13:29Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Quantifying Sources of Uncertainty in Deep Learning-Based Image Reconstruction [5.129343375966527]
  本稿では,学習反復画像再構成におけるアレタリックおよびエピステマティック不確かさを同時に定量化する,スケーラブルで効率的なフレームワークを提案する。 本手法は,スパークビューと制限角度データの両方を用いて,従来の計算トモグラフィーのベンチマークと競合する性能を示す。
  論文  参考訳（メタデータ） (2020-11-17T04:12:52Z)

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。