論文の概要: Deep Unfolding Network for Nonlinear Multi-Frequency Electrical Impedance Tomography

• arxiv url: http://arxiv.org/abs/2507.16678v1
• Date: Tue, 22 Jul 2025 15:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:14.172471
• Title: Deep Unfolding Network for Nonlinear Multi-Frequency Electrical Impedance Tomography
• Title（参考訳）: 非線形多周波数インピーダンストモグラフィのためのディープ・アンフォールディング・ネットワーク
• Authors: Giovanni S. Alberti, Damiana Lazzaro, Serena Morigi, Luca Ratti, Matteo Santacesaria,
• Abstract要約: 本稿では,古典的反復的再構築の利点と解釈性を,深層学習の力と戦略的に融合させるモデルベース学習パラダイムを提案する。 このアプローチは、グラフニューラルネットワーク(GNN)を、反復的プロキシ正規化ガウスニュートン(PRGN)フレームワークに統合する。 特に、GNNアーキテクチャは、非線形フォワードモデルの解法で用いられる不規則な三角形メッシュ構造を保持し、重なり合う組織分画の正確な再構成を可能にする。
• 参考スコア（独自算出の注目度）: 2.959308758321417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-frequency Electrical Impedance Tomography (mfEIT) represents a promising biomedical imaging modality that enables the estimation of tissue conductivities across a range of frequencies. Addressing this challenge, we present a novel variational network, a model-based learning paradigm that strategically merges the advantages and interpretability of classical iterative reconstruction with the power of deep learning. This approach integrates graph neural networks (GNNs) within the iterative Proximal Regularized Gauss Newton (PRGN) framework. By unrolling the PRGN algorithm, where each iteration corresponds to a network layer, we leverage the physical insights of nonlinear model fitting alongside the GNN's capacity to capture inter-frequency correlations. Notably, the GNN architecture preserves the irregular triangular mesh structure used in the solution of the nonlinear forward model, enabling accurate reconstruction of overlapping tissue fraction concentrations.
• Abstract（参考訳）: 多周波電気インピーダンストモグラフィー(mfEIT)は、様々な周波数で組織伝導率を推定できる、有望な生体医用画像のモダリティを示す。 この課題に対処するために,古典的反復的再構築の利点と解釈可能性と深層学習の力とを戦略的に融合させる,モデルに基づく学習パラダイムである変分ネットワークを提案する。 このアプローチは、グラフニューラルネットワーク(GNN)を、反復的プロキシ正規化ガウスニュートン(PRGN)フレームワークに統合する。 各繰り返しがネットワーク層に対応するPRGNアルゴリズムをアンロールすることで、GNNのキャパシティと連動して非線形モデルの物理的洞察を活用し、周波数間相関を捉える。 特に、GNNアーキテクチャは、非線形フォワードモデルの解法で用いられる不規則な三角形メッシュ構造を保持し、重なり合う組織分画の正確な再構成を可能にする。

関連論文リスト

• Multiscale Analysis of Woven Composites Using Hierarchical Physically Recurrent Neural Networks [0.0]
  織物複合材料のマルチスケール均質化には, 詳細なミクロメカニカル評価が必要である。 本研究では,2段階の代理モデルを用いた階層型物理リカレントニューラルネットワーク(HPRNN)を提案する。
  論文  参考訳（メタデータ） (2025-03-06T19:02:32Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• From NeurODEs to AutoencODEs: a mean-field control framework for width-varying Neural Networks [68.8204255655161]
  本稿では,動的に駆動する制御フィールドをベースとした,AutoencODEと呼ばれる新しいタイプの連続時間制御システムを提案する。 損失関数が局所凸な領域では,多くのアーキテクチャが復元可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-05T13:26:17Z)
• Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
  初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。 幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
  論文  参考訳（メタデータ） (2023-02-01T03:18:07Z)
• Variational Tensor Neural Networks for Deep Learning [0.0]
  深部ニューラルネットワーク(NN)へのテンソルネットワーク(TN)の統合を提案する。 これにより、大きなパラメータ空間上で効率的にトレーニングできるスケーラブルなテンソルニューラルネットワーク(TNN)アーキテクチャが実現される。 我々はTNNモデルを設計し、線形および非線形回帰、データ分類、MNIST手書き桁の画像認識のためのベンチマーク結果を提供することにより、提案手法の精度と効率を検証した。
  論文  参考訳（メタデータ） (2022-11-26T20:24:36Z)
• Continuous Generative Neural Networks: A Wavelet-Based Architecture in Function Spaces [1.7205106391379021]
  本研究では,連続的な環境下での連続生成ニューラルネットワーク(CGNN)について検討する。 このアーキテクチャはDCGANにインスパイアされ、1つの完全に接続された層、いくつかの畳み込み層、非線形活性化関数を持つ。 本稿では,畳み込みフィルタの条件と,CGNNが注入可能であることを保証する非線形性について述べる。
  論文  参考訳（メタデータ） (2022-05-29T11:06:29Z)
• Mean-Field Analysis of Two-Layer Neural Networks: Global Optimality with Linear Convergence Rates [7.094295642076582]
  平均場体制はNTK(lazy training)体制の理論的に魅力的な代替手段である。 平均場状態における連続ノイズ降下により訓練された2層ニューラルネットワークに対する線形収束結果を確立した。
  論文  参考訳（メタデータ） (2022-05-19T21:05:40Z)
• Lattice gauge equivariant convolutional neural networks [0.0]
  汎用機械学習アプリケーションのためのLattice gauge equivariant Convolutional Neural Networks (L-CNNs)を提案する。 L-CNNは従来の畳み込みニューラルネットワークでは見つけられないゲージ不変量を学習・一般化できることを示した。
  論文  参考訳（メタデータ） (2020-12-23T19:00:01Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。