論文の概要: Deep Probabilistic Unfolding for Quantized Compressive Sensing

• arxiv url: http://arxiv.org/abs/2605.11475v1
• Date: Tue, 12 May 2026 03:44:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.55326
• Title: Deep Probabilistic Unfolding for Quantized Compressive Sensing
• Title（参考訳）: 量子圧縮センシングのための深部確率的展開
• Authors: Gang Qu, Ping Wang, Siming Zheng, Xin Yuan,
• Abstract要約: 本稿では,古典的量子化圧縮センシング問題に対処する確率的展開モデルを提案する。 我々は、モデルが真の量子化物理学を尊重することを可能にする閉形式、数値的に安定な勾配公準射影を導出する。
• 参考スコア（独自算出の注目度）: 11.53279977691347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a deep probabilistic unfolding model to address the classical quantized compressive sensing problem that leverages an unfolding framework to enhance the reconstruction accuracy and efficiency. Unlike previous unfolding methods that apply L2 projection to measurements, we derive a closed-form, numerically stable likelihood gradient projection, which allows the model to respect the true quantization physics, turning the hard quantization constraint into a soft probabilistic guidance. Furthermore, an efficient, dual-domain Mamba module is specifically designed to dynamically capture and fuse the multi-scale local and global features, ensuring the interactions between the distant but correlated regions. Extensive experiments demonstrate the state-of-the-art performance of the proposed method over previous works, which is capable of promoting the application of quantized compressive sensing in real life.
• Abstract（参考訳）: 本稿では,古典的量子化圧縮センシング問題に対処する深層確率的展開モデルを提案する。 測定にL2プロジェクションを適用した従来の展開法とは異なり、我々は閉形式で数値的に安定な確率勾配プロジェクションを導出し、モデルが真の量子化物理学を尊重し、ハード量子化制約をソフト確率的ガイダンスに変換することができる。 さらに、効率的で二重ドメインのMambaモジュールは、マルチスケールの局所的特徴と大域的特徴を動的に捉え、融合させ、遠隔地と相関する領域間の相互作用を確実にするように設計されている。 実生活における量子化圧縮センシングの適用を促進できる先行研究に対して,提案手法の最先端性能を実証した。

関連論文リスト

• Optimization-based Unfolding in High-Energy Physics [0.0]
  高エネルギー物理学において、展開とは検出器が歪んだ測定から物理観測物の真の分布を再構築する過程である。 我々は古典的手法と量子互換手法の両方を用いてこの問題に対処する枠組みを開発する。
  論文  参考訳（メタデータ） (2026-02-26T09:11:34Z)
• Deep operator network for surrogate modeling of poroelasticity with random permeability fields [3.7214007898390196]
  多孔質媒質中の流動と弾性変形を結合した多弾性性は、しばしば空間的に変化する透水性を伴う。 本研究では,無限次元関数空間間の写像を学習するためのニューラルネットワークであるDeepONet(DeepONet)に基づく代理モデリングフレームワークを提案する。 予測精度と安定性を向上させるために,支配方程式の非次元化,Karhunen-Lo'eve展開による入力次元削減,および分岐ネットワークとトランクネットワークの最適化を分離する2段階の訓練手順を統合する。
  論文  参考訳（メタデータ） (2025-09-15T14:18:49Z)
• LVM-GP: Uncertainty-Aware PDE Solver via coupling latent variable model and Gaussian process [9.576396359649921]
  雑音データを用いたPDEの解法における不確実性定量化のための新しいフレームワーク LVM-GP を提案する。 アーキテクチャは信頼を意識したエンコーダと確率的デコーダで構成される。
  論文  参考訳（メタデータ） (2025-07-30T09:00:39Z)
• Double Duality: Variational Primal-Dual Policy Optimization for Constrained Reinforcement Learning [132.7040981721302]
  本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。 制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
  論文  参考訳（メタデータ） (2024-02-16T16:35:18Z)
• QuEST: Low-bit Diffusion Model Quantization via Efficient Selective Finetuning [52.157939524815866]
  本稿では,不均衡な活性化分布を量子化困難の原因として同定する。 我々は,これらの分布を,より量子化しやすいように微調整することで調整することを提案する。 本手法は3つの高解像度画像生成タスクに対して有効性を示す。
  論文  参考訳（メタデータ） (2024-02-06T03:39:44Z)
• Deep Latent Force Models: ODE-based Process Convolutions for Bayesian Deep Learning [0.0]
  深潜力モデル (DLFM) は、各層に物理インフォームドカーネルを持つ深いガウス過程である。 我々はDLFMの非線形実世界の時系列データに現れるダイナミクスを捉える能力の実証的証拠を提示する。 DLFMは,非物理インフォームド確率モデルに匹敵する性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-11-24T19:55:57Z)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)
• Neural Networks with Quantization Constraints [111.42313650830248]
  量子化学習における制約付き学習手法を提案する。 結果の問題は強い双対であり、勾配推定は不要であることを示す。 提案手法は画像分類タスクにおける競合性能を示す。
  論文  参考訳（メタデータ） (2022-10-27T17:12:48Z)
• Dynamics of two-dimensional open quantum lattice models with tensor networks [0.0]
  熱力学的極限に直接適用可能な無限射影ペア演算子(iPEPO)アンサッツに基づくテンソルネットワーク法を開発した。 非平均場限界における散逸的逆量子イジングと駆動散逸型ハードコアボソンモデルを考える。 提案手法は,既存の手法の適用範囲をはるかに超えながら,現在の実験に利用できる制度を研究できる。
  論文  参考訳（メタデータ） (2020-12-22T18:24:20Z)

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。