論文の概要: Estimation of instrument and noise parameters for inverse problem based on prior diffusion model
- arxiv url: http://arxiv.org/abs/2602.11711v1
- Date: Thu, 12 Feb 2026 08:43:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.72495
- Title: Estimation of instrument and noise parameters for inverse problem based on prior diffusion model
- Title（参考訳）: 先行拡散モデルに基づく逆問題に対する楽器・騒音パラメータの推定
- Authors: Jean-François Giovannelli,
- Abstract要約: 本稿では,逆問題における観測パラメータ(応答パラメータと誤差パラメータ)の推定の問題に対処する。
提案手法により、観測パラメータと興味のイメージの両方に対して最適な推定値を定義することができる。
- 参考スコア（独自算出の注目度）: 1.218340575383456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article addresses the issue of estimating observation parameters (response and error parameters) in inverse problems. The focus is on cases where regularization is introduced in a Bayesian framework and the prior is modeled by a diffusion process. In this context, the issue of posterior sampling is well known to be thorny, and a recent paper proposes a notably simple and effective solution. Consequently, it offers an remarkable additional flexibility when it comes to estimating observation parameters. The proposed strategy enables us to define an optimal estimator for both the observation parameters and the image of interest. Furthermore, the strategy provides a means of quantifying uncertainty. In addition, MCMC algorithms allow for the efficient computation of estimates and properties of posteriors, while offering some guarantees. The paper presents several numerical experiments that clearly confirm the computational efficiency and the quality of both estimates and uncertainties quantification.
- Abstract（参考訳）: 本稿では,逆問題における観測パラメータ(応答パラメータと誤差パラメータ)の推定の問題に対処する。
ベイズフレームワークで正規化が導入され、前者は拡散過程によってモデル化される場合に焦点を当てる。
この文脈では, 後方サンプリングの問題はきついことがよく知られており, 最近の論文では特に単純で効果的な解法が提案されている。
その結果、観測パラメーターを推定する際、顕著な柔軟性を提供する。
提案手法により、観測パラメータと興味のイメージの両方に対して最適な推定値を定義することができる。
さらに、この戦略は不確実性を定量化する手段を提供する。
さらに、MCMCアルゴリズムは、いくつかの保証を提供しながら、後部の見積もりと特性の効率的な計算を可能にする。
本稿では,計算効率と評価精度,不確実性定量化の両面について,いくつかの数値実験を行った。
関連論文リスト
- Optimal kernel regression bounds under energy-bounded noise [3.2093811507874768]
カーネルベースの推定のために、厳密で漸近的でない不確実性を導出する。
カーネルベースの推定値に対して,厳密で計算が容易なバウンダリを返却する効果を示す。
論文 参考訳（メタデータ） (2025-05-28T11:11:24Z) - Debiased Ill-Posed Regression [8.495265117285223]
本稿では,予測誤差の修正による影響関数に基づく偏り推定手法を提案する。
提案した推定器は、関連するニュアンス関数に対して二階偏差を有する。
論文 参考訳（メタデータ） (2025-05-27T06:47:33Z) - A New Stochastic Approximation Method for Gradient-based Simulated Parameter Estimation [0.7673339435080445]
本稿では,マルチ時間スケール近似アルゴリズムを用いた勾配に基づくシミュレーションパラメータ推定フレームワークを提案する。
提案手法は,最大推定問題と後続密度推定問題の両方で生じる比バイアスを効果的に解決する。
我々の研究はGSPEフレームワークを拡張し、マルコフモデルや変分推論に基づく問題のような複雑なモデルを扱う。
論文 参考訳（メタデータ） (2025-03-24T03:54:50Z) - In-Context Parametric Inference: Point or Distribution Estimators? [66.22308335324239]
償却点推定器は一般に後部推論より優れているが、後者は低次元問題では競争力がある。
実験の結果, 償却点推定器は一般に後部推定より優れているが, 後者は低次元問題では競争力があることがわかった。
論文 参考訳（メタデータ） (2025-02-17T10:00:24Z) - Provably Efficient Bayesian Optimization with Unknown Gaussian Process Hyperparameter Estimation [44.53678257757108]
目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。
本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。
提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-12T03:35:45Z) - Wasserstein Distributionally Robust Estimation in High Dimensions: Performance Analysis and Optimal Hyperparameter Tuning [2.4578723416255754]
分散ロバスト最適化(DRO)は不確実性の下での見積もりの強力なフレームワークとなっている。
本稿では,DROに基づく線形回帰法を提案し,その中心的問題,すなわちロバストネス半径を最適に選択する方法を提案する。
本手法はクロスバリデーションと同じ効果を示すが,計算コストのごく一部で実現可能であることを示す。
論文 参考訳（メタデータ） (2022-06-27T13:02:59Z) - 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) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Orthogonal Statistical Learning [49.55515683387805]
人口リスクが未知のニュアンスパラメータに依存するような環境では,統計学習における非漸近的過剰リスク保証を提供する。
人口リスクがNeymanityと呼ばれる条件を満たす場合,メタアルゴリズムによって達成される過剰リスクに対するニュアンス推定誤差の影響は2次であることを示す。
論文 参考訳（メタデータ） (2019-01-25T02:21:24Z)
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。