論文の概要: Parameter Inference and Uncertainty Quantification with Diffusion Models: Extending CDI to 2D Spatial Conditioning

• arxiv url: http://arxiv.org/abs/2601.17224v1
• Date: Fri, 23 Jan 2026 23:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.429213
• Title: Parameter Inference and Uncertainty Quantification with Diffusion Models: Extending CDI to 2D Spatial Conditioning
• Title（参考訳）: 拡散モデルによるパラメータ推定と不確かさの定量化:CDIを2次元空間条件に拡張する
• Authors: Dmitrii Torbunov, Yihui Ren, Lijun Wu, Yimei Zhu,
• Abstract要約: 不確かさは科学的逆問題において重要であり、測定値が不明瞭であることから識別可能なパラメータを区別する。 条件拡散モデルに基づく逆問題解法を二次元空間条件に拡張する。 その結果,CDIは時間領域から空間領域へと拡張し,頑健な科学的推論に必要な真に不確実な情報を提供することができた。
• 参考スコア（独自算出の注目度）: 7.010526304686215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncertainty quantification is critical in scientific inverse problems to distinguish identifiable parameters from those that remain ambiguous given available measurements. The Conditional Diffusion Model-based Inverse Problem Solver (CDI) has previously demonstrated effective probabilistic inference for one-dimensional temporal signals, but its applicability to higher-dimensional spatial data remains unexplored. We extend CDI to two-dimensional spatial conditioning, enabling probabilistic parameter inference directly from spatial observations. We validate this extension on convergent beam electron diffraction (CBED) parameter inference - a challenging multi-parameter inverse problem in materials characterization where sample geometry, electronic structure, and thermal properties must be extracted from 2D diffraction patterns. Using simulated CBED data with ground-truth parameters, we demonstrate that CDI produces well-calibrated posterior distributions that accurately reflect measurement constraints: tight distributions for well-determined quantities and appropriately broad distributions for ambiguous parameters. In contrast, standard regression methods - while appearing accurate on aggregate metrics - mask this underlying uncertainty by predicting training set means for poorly constrained parameters. Our results confirm that CDI successfully extends from temporal to spatial domains, providing the genuine uncertainty information required for robust scientific inference.
• Abstract（参考訳）: 不確かさの定量化は科学的な逆問題において重要であり、不明瞭な測定値と識別可能なパラメータを区別するために重要である。 条件拡散モデルに基づく逆問題解法(CDI)は1次元時間的信号に対する効果的な確率的推論を以前にも示してきたが、高次元空間データへの適用性は未解明のままである。 我々はCDIを2次元空間条件に拡張し、空間観察から直接確率的パラメータ推論を可能にする。 本研究では, 試料形状, 電子構造, 熱特性を2次元回折パターンから抽出しなければならない材料特性評価において, 多パラメータ逆問題である収束ビーム電子回折(CBED)パラメータ推論について, この拡張性を検証する。 CDIは, 測定制約を正確に反映し, 厳密な量の分布と不明瞭なパラメータの適切な広さの分布を推定する。 対照的に、標準的な回帰手法は、集約メトリクスで正確に見えるが、制約の少ないパラメータのトレーニングセットを予測することによって、この基盤となる不確実性を隠蔽する。 その結果,CDIは時間領域から空間領域へと拡張し,頑健な科学的推論に必要な真に不確実な情報を提供することができた。

関連論文リスト

• Towards Inference-time Scaling for Continuous Space Reasoning [55.40260529506702]
  推論時間スケーリングは、大規模言語モデルにおけるテキストベースの推論に有効であることが証明されている。 本稿では,そのような確立された手法が連続空間における推論にうまく適応できるかどうかを考察する。 本研究では,ドロップアウト型サンプリングによる多種多様な推論経路の実現可能性を示す。
  論文  参考訳（メタデータ） (2025-10-14T05:53:41Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Trans-dimensional Hamiltonian model selection and parameter estimation from sparse, noisy data [0.0]
  限られた量と品質の実験データからパラメータとモデル次元を推定する必要がある場合が多い。 この誤った状況は、従来の機械学習と決定論的手法を信頼できない、あるいは難解なものにする可能性がある。 本稿では,マルコフ連鎖モンテカルロサンプリング手法をハイブリダイズして,疎度で雑音の多いデータからパラメータとモデル次元の両方を推定するベイズフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-23T16:07:20Z)
• Density-Aware Noise Mechanisms for Differential Privacy on Riemannian Manifolds via Conformal Transformation [1.5632754424046598]
  共形変換に基づく密度認識型差分プライバシー機構を開発した。 我々は,不均一な多様体設定におけるプライバシ・ユーティリティのトレードオフを大幅に改善することが実証された。
  論文  参考訳（メタデータ） (2025-04-29T17:05:55Z)
• Inflationary Flows: Calibrated Bayesian Inference with Diffusion-Based Models [0.0]
  本稿では,拡散モデルを用いてベイズ推定を行う方法を示す。 本稿では,新しいノイズスケジュールを用いて,標準的なDBMトレーニングを通じてそのようなマップを学習する方法を示す。 その結果は、低次元の潜在空間上で一意に定義される非常に表現性の高い生成モデルのクラスである。
  論文  参考訳（メタデータ） (2024-07-11T19:58:19Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation for high-dimensional problems: uncertainty quantification and inverse modeling [62.997667081978825]
  本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。 本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
  論文  参考訳（メタデータ） (2023-07-05T18:14:38Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)

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。