論文の概要: Neural Optimal Design of Experiment for Inverse Problems

• arxiv url: http://arxiv.org/abs/2512.23763v1
• Date: Sun, 28 Dec 2025 22:26:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.147315
• Title: Neural Optimal Design of Experiment for Inverse Problems
• Title（参考訳）: 逆問題に対する実験の最適設計
• Authors: John E. Darges, Babak Maboudi Afkham, Matthias Chung,
• Abstract要約: 逆問題における最適実験設計のための学習ベースフレームワークである実験のニューラル最適設計を紹介する。 NODEは、センサーの位置、サンプリング時間、測定角度を表す、ニューラルネットワーク再構成モデルと、継続的な設計変数の固定予算セットを共同で訓練する。 我々は,MNIST画像サンプリングを用いて,解析的に抽出可能な指数関数成長ベンチマークを用いてNODEを検証し,実世界のスパースビューX線CTの例でその有効性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Neural Optimal Design of Experiments, a learning-based framework for optimal experimental design in inverse problems that avoids classical bilevel optimization and indirect sparsity regularization. NODE jointly trains a neural reconstruction model and a fixed-budget set of continuous design variables representing sensor locations, sampling times, or measurement angles, within a single optimization loop. By optimizing measurement locations directly rather than weighting a dense grid of candidates, the proposed approach enforces sparsity by design, eliminates the need for l1 tuning, and substantially reduces computational complexity. We validate NODE on an analytically tractable exponential growth benchmark, on MNIST image sampling, and illustrate its effectiveness on a real world sparse view X ray CT example. In all cases, NODE outperforms baseline approaches, demonstrating improved reconstruction accuracy and task-specific performance.
• Abstract（参考訳）: 本稿では,古典的二段階最適化と間接空間正規化を回避した逆問題における最適実験設計のための学習ベースフレームワークであるNeural Optimal Design of Experimentsを紹介する。 NODEは、単一最適化ループ内で、センサーの位置、サンプリング時間、測定角度を表すニューラルネットワーク再構成モデルと、継続的な設計変数の固定予算セットを共同でトレーニングする。 提案手法は,高密度グリッドを重み付けするよりも直接測定位置を最適化することにより,設計による空間性を強化し,l1チューニングの必要性を排除し,計算複雑性を大幅に低減する。 我々は,MNIST画像サンプリングを用いて,解析的に抽出可能な指数関数成長ベンチマークを用いてNODEを検証し,実世界のスパースビューX線CTの例でその有効性を示す。 すべてのケースにおいて、NODEはベースラインアプローチよりも優れており、再構築精度とタスク固有のパフォーマンスが改善されている。

関連論文リスト

• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Diffusion Generative Inverse Design [28.04683283070957]
  逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。 学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。 本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-05T08:32:07Z)
• Generative Models for Anomaly Detection and Design-Space Dimensionality Reduction in Shape Optimization [0.0]
  本研究は,グローバルアルゴリズムの効率向上と高品質な設計の促進を目的として,新たな形状最適化手法を提案する。 これは、幾何学的分散を最大化する新しい縮小部分空間を定義する元の設計変数の数を減らすことで達成される。 計算結果から,グローバル最適化アルゴリズムの収束性を改善するとともに,高品質な幾何学的特徴を持つ設計のみを生成する。
  論文  参考訳（メタデータ） (2023-08-08T04:57:58Z)
• G-TRACER: Expected Sharpness Optimization [1.2183405753834562]
  G-TRACERは、平坦なミニマムを求めることによって一般化を促進し、一般化ベイズ目標の自然な漸進的な降下に基づく最適化への近似として音理論的基礎を持つ。 本手法は,非正規化対象の局所最小値近傍に収束し,多数のベンチマークコンピュータビジョンとNLPデータセット上での競合性能を示す。
  論文  参考訳（メタデータ） (2023-06-24T09:28:49Z)
• Score-Guided Intermediate Layer Optimization: Fast Langevin Mixing for Inverse Problem [97.64313409741614]
  ランダム重み付きDNNジェネレータを反転させるため,Langevinアルゴリズムの定常分布を高速に混合し,特徴付ける。 本稿では,事前学習した生成モデルの潜時空間における後部サンプリングを提案する。
  論文  参考訳（メタデータ） (2022-06-18T03:47:37Z)
• NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor Multi-view Stereo [97.07453889070574]
  本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。 提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-09-02T17:54:31Z)
• Robust Topology Optimization Using Multi-Fidelity Variational Autoencoders [1.0124625066746595]
  強靭なトポロジー最適化(RTO)問題は、最高の平均性能を持つ設計を特定する。 計算効率を向上するニューラルネットワーク手法を提案する。 本手法の数値解析は,Lブラケット構造のロバスト設計における単一点負荷と複数点負荷について述べる。
  論文  参考訳（メタデータ） (2021-07-19T20:40:51Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。