Fugu-MT 論文翻訳(概要): Physics-Aware Linearized ADMM and Its Unrolling

論文の概要: Physics-Aware Linearized ADMM and Its Unrolling

arxiv url: http://arxiv.org/abs/2606.01652v1
Date: Mon, 01 Jun 2026 04:01:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:29.965055
Title: Physics-Aware Linearized ADMM and Its Unrolling
Title（参考訳）: 物理対応線形化ADMMとその展開
Abstract要約: PDEに基づく測定プロセスの逆問題に対する物理認識線形化ADMM (PA-LADMM) と呼ばれる新しい乗算器の交互方向法を提案する。鍵となる考え方は、サブプロブレムをPDEで線形化することである。
参考スコア（独自算出の注目度）: 3.9762912548964855
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, partial differential equations (PDEs) have been used to directly model the measurement process in signal processing, although their evaluation is costly. In this paper, we propose a novel alternating direction method of multipliers (ADMM)-based algorithm called physics-aware linearized ADMM (PA-LADMM) for inverse problems from PDE-based measurement processes. The key idea is the linearization of the subproblem with PDEs, leading to a cost-efficient update rule that calls only a PDE solver and its gradient evaluation per iteration. The algorithm has a theoretical convergence guarantee under certain conditions. In addition, we combine it with deep unfolding to unroll the PA-LADMM and train its internal parameters using supervised data. Two distinct experiments, compressed sensing with optical fiber communication and image restoration from noisy anisotropic diffusion, demonstrated the effectiveness of the proposed algorithms.
Abstract（参考訳）: 近年,信号処理における測定過程を直接モデル化するために偏微分方程式 (PDE) が用いられているが,その評価は高価である。本稿では,PDEに基づく測定プロセスの逆問題に対する物理認識線形化ADMM (PA-LADMM) と呼ばれる,乗算器に基づく新しい交互方向法を提案する。鍵となる考え方は、サブプロブレムをPDEで線形化することである。このアルゴリズムは特定の条件下での理論的収束を保証する。さらに、深部展開と組み合わせてPA-LADMMをアンロールし、教師付きデータを用いて内部パラメータをトレーニングする。光ファイバー通信による圧縮センシングと雑音異方性拡散による画像復元という2つの異なる実験により,提案アルゴリズムの有効性が示された。

関連論文リスト

Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
論文参考訳（メタデータ） (2025-12-28T05:48:55Z)
LieSolver: A PDE-constrained solver for IBVPs using Lie symmetries [20.541443888815873]
本稿では、リー対称性を用いた初期有界値問題(IBVP)の解法を導入し、関連する偏微分方程式(PDE)を正確に構築する。対称性変換を利用することで、モデルは本質的に物理法則を取り入れ、初期データと境界データから解を学ぶ。
論文参考訳（メタデータ） (2025-10-29T17:37:27Z)
Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
MISO (Multiple-input Single-output) フレームワークを提案する。それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
論文参考訳（メタデータ） (2025-02-12T18:54:10Z)
A Natural Primal-Dual Hybrid Gradient Method for Adversarial Neural Network Training on Solving Partial Differential Equations [9.588717577573684]
偏微分方程式(PDE)を解くためのスケーラブルな事前条件付き原始ハイブリッド勾配アルゴリズムを提案する。本稿では,提案手法の性能を,一般的なディープラーニングアルゴリズムと比較する。その結果,提案手法は効率的かつ堅牢に動作し,安定に収束することが示唆された。
論文参考訳（メタデータ） (2024-11-09T20:39:10Z)
Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文参考訳（メタデータ） (2024-08-20T19:06:02Z)
An Extreme Learning Machine-Based Method for Computational PDEs in Higher Dimensions [1.2981626828414923]
本稿では,確率型ニューラルネットワークに基づく高次元偏微分方程式(PDE)の解法について述べる。本稿では,高次元線形・非線形定常・動的PDEの数値シミュレーションを行い,その性能を実証する。
論文参考訳（メタデータ） (2023-09-13T15:59:02Z)
PI-VAE: Physics-Informed Variational Auto-Encoder for stochastic differential equations [2.741266294612776]
我々は、物理学インフォームド・ニューラルネットワーク(PI-VAE)と呼ばれる新しいタイプの物理インフォームド・ニューラルネットワークを提案する。 PI-VAEは、システム変数とパラメータのサンプルを生成する変分オートエンコーダ(VAE)で構成されている。提案手法の精度と効率を,物理インフォームド生成対向ネットワーク (PI-WGAN) と比較して数値的に検証した。
論文参考訳（メタデータ） (2022-03-21T21:51:19Z)
An application of the splitting-up method for the computation of a neural network representation for the solution for the filtering equations [68.8204255655161]
フィルタ方程式は、数値天気予報、金融、工学など、多くの現実の応用において中心的な役割を果たす。フィルタリング方程式の解を近似する古典的なアプローチの1つは、分割法と呼ばれるPDEにインスパイアされた方法を使うことである。我々はこの手法をニューラルネットワーク表現と組み合わせて、信号プロセスの非正規化条件分布の近似を生成する。
論文参考訳（メタデータ） (2022-01-10T11:01:36Z)
Graph Signal Restoration Using Nested Deep Algorithm Unrolling [85.53158261016331]
グラフ信号処理は、センサー、社会交通脳ネットワーク、ポイントクラウド処理、グラフネットワークなど、多くのアプリケーションにおいてユビキタスなタスクである。凸非依存型深部ADMM(ADMM)に基づく2つの復元手法を提案する。提案手法のパラメータはエンドツーエンドでトレーニング可能である。
論文参考訳（メタデータ） (2021-06-30T08:57:01Z)
Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
論文参考訳（メタデータ） (2021-06-14T17:19:44Z)
Solving and Learning Nonlinear PDEs with Gaussian Processes [11.09729362243947]
非線形偏微分方程式を解くための単純で厳密で統一された枠組みを提案する。提案手法は、コロケーションカーネル法を非線形PDEとIPに自然に一般化する。 IP では,PDE におけるパラメータの同定と解の数値近似を反復的に行う手法が提案されているが,アルゴリズムは両手法を同時に扱う。
論文参考訳（メタデータ） (2021-03-24T03:16:08Z)

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。