論文の概要: Bayesian PINNs for uncertainty-aware inverse problems (BPINN-IP)
- arxiv url: http://arxiv.org/abs/2602.04459v1
- Date: Wed, 04 Feb 2026 11:42:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-05 19:45:11.509133
- Title: Bayesian PINNs for uncertainty-aware inverse problems (BPINN-IP)
- Title（参考訳）: 不確実性認識逆問題に対するベイズPINN(BPINN-IP)
- Authors: Ali Mohammad-Djafari,
- Abstract要約: 提案手法はPINNを拡張し、期待されるNN出力の性質や重みに関する事前知識を考慮に入れている。
変形推論とモンテカルロのドロップアウトは、再構成された画像に対する予測手段と分散を提供するために用いられる。
- 参考スコア（独自算出の注目度）: 1.583842747998493
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The main contribution of this paper is to develop a hierarchical Bayesian formulation of PINNs for linear inverse problems, which is called BPINN-IP. The proposed methodology extends PINN to account for prior knowledge on the nature of the expected NN output, as well as its weights. Also, as we can have access to the posterior probability distributions, naturally uncertainties can be quantified. Also, variational inference and Monte Carlo dropout are employed to provide predictive means and variances for reconstructed images. Un example of applications to deconvolution and super-resolution is considered, details of the different steps of implementations are given, and some preliminary results are presented.
- Abstract（参考訳）: 本論文の主な貢献は,線形逆問題に対する線形逆問題に対して,BPINN-IP(BPINN-IP)と呼ばれる階層型ベイズ式を開発することである。
提案手法はPINNを拡張し、期待されるNN出力の性質や重みに関する事前知識を考慮に入れている。
また、後続確率分布にアクセスできるので、自然に不確かさを定量化することができる。
また、再構成画像の予測手段とばらつきを提供するために、変分推論とモンテカルロドロップアウトを用いる。
デコンボリューションと超解像の応用の例として、実装の異なるステップの詳細が与えられ、いくつかの予備的な結果が提示される。
関連論文リスト
- Improved Uncertainty Quantification in Physics-Informed Neural Networks Using Error Bounds and Solution Bundles [2.066173485843472]
我々は、PINNが提供する微分方程式系の解に関する不確実性を提供するベイズニューラルネットワークを訓練する。
我々はPINN上で利用可能な誤差境界を用いて不確実性推定を改善する不確定分散を定式化する。
論文 参考訳（メタデータ） (2025-05-09T22:40:39Z) - ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks [71.02216400133858]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法において高い期待を得た
以前の研究では、PINNの伝播不良現象が観察された。
本稿では,伝播不良とその根本原因に関する公式かつ詳細な研究について述べる。
論文 参考訳（メタデータ） (2025-02-02T13:56:38Z) - Conformalized Physics-Informed Neural Networks [0.8437187555622164]
本稿では,C-PINN(Conformalized PINN)を導入し,PINNの不確実性を定量化する。
C-PINNは、共形予測の枠組みを利用して、PINNの不確実性を定量化する。
論文 参考訳（メタデータ） (2024-05-13T18:45:25Z) - Failure-informed adaptive sampling for PINNs [5.723850818203907]
物理学インフォームドニューラルネットワーク(PINN)は、幅広い領域でPDEを解決する効果的な手法として登場した。
しかし、最近の研究では、異なるサンプリング手順でPINNの性能が劇的に変化することが示されている。
本稿では,信頼度分析の視点から,故障インフォームドPINNという適応的手法を提案する。
論文 参考訳（メタデータ） (2022-10-01T13:34:41Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-02-07T12:30:45Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - Estimates on the generalization error of Physics Informed Neural
Networks (PINNs) for approximating a class of inverse problems for PDEs [16.758334184623152]
我々は、逆問題、いわゆるデータ同化やユニークな継続問題に焦点をあてる。
PINNがそれらを近似する際の一般化誤差について厳密な推定値を示す。
論文 参考訳（メタデータ） (2020-06-29T16:23:58Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳（メタデータ） (2020-02-20T15:13:27Z)
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。