Fugu-MT 論文翻訳(概要): Probabilistic Inversion with Flow Matching

論文の概要: Probabilistic Inversion with Flow Matching

arxiv url: http://arxiv.org/abs/2606.31288v1
Date: Tue, 30 Jun 2026 08:04:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-01 18:27:19.132447
Title: Probabilistic Inversion with Flow Matching
Title（参考訳）: フローマッチングによる確率的インバージョン
Abstract要約: 生成人工知能から確率的逆転の文脈へ、フローマッチングの確立した数学的理論を適用する。本手法の一般的な特徴を説明するための単純な2次元速度モデルと,より複雑な地震波速度モデルの確率的逆転の能力を示すためのOpenFWIデータセットの2つのケーススタディを用いて,本手法の評価を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We demonstrate the application of Flow Matching, a technique originating from generative Artificial Intelligence, to probabilistic inversion in geophysical settings, such as seismic Full-Waveform inversion. We adapt the well-established mathematical theory of Flow Matching from generative Artificial Intelligence to the context of probabilistic inversion. We evaluate the approach with two case studies: a simple 2D velocity model to illustrate the general features of the method, and the OpenFWI dataset to show its capabilities for probabilistic inversion of more complex seismic velocity models.
Abstract（参考訳）: 本研究では, 生成人工知能を起源とするフローマッチングを, 地震波のフルウェーブフォームインバージョンなどの物理条件下での確率的インバージョンに適用する。生成人工知能から確率的逆転の文脈へ、フローマッチングの確立した数学的理論を適用する。本手法の一般的な特徴を説明するための単純な2次元速度モデルと,より複雑な地震波速度モデルの確率的逆転の能力を示すためのOpenFWIデータセットの2つのケーススタディを用いて,本手法の評価を行った。

関連論文リスト

Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
論文参考訳（メタデータ） (2026-01-26T03:52:16Z)
Flow-based generative models as iterative algorithms in probability space [20.890922389987676]
フローベースの生成モデルは、正確な推定、効率的なサンプリング、決定論的変換を提供する。本チュートリアルでは,フローベース生成モデルのための直感的な数学的枠組みを提案する。我々は,信号処理や機械学習にフローベース生成モデルを効果的に適用するために必要なツールを研究者や実践者に提供することを目的としている。
論文参考訳（メタデータ） (2025-02-19T03:09:18Z)
The Nature of Mathematical Modeling and Probabilistic Optimization Engineering in Generative AI [0.0]
我々は、生成AIモデルのいくつかの重要な基盤技術に対して、アート手法の現在の状況に対するさらなる拡張の可能性を探究し、議論する。特に、バイトペア符号化(BPE)アルゴリズムと同様の初期設定に基づくサブワード符号化(SWE)の最適解を提案する。
論文参考訳（メタデータ） (2024-10-24T05:29:20Z)
Discovering an interpretable mathematical expression for a full wind-turbine wake with artificial intelligence enhanced symbolic regression [9.62113970975207]
本稿では,平均速度損失に対する解釈可能な数学的表現を発見するために,遺伝的記号回帰(SR)アルゴリズムを提案する。提案した数式(方程式)は、高精度で安定なフルウェイク領域の任意の位置における覚醒速度の欠陥を予測できる。
論文参考訳（メタデータ） (2024-06-02T10:17:54Z)
Characteristic Learning for Provable One Step Generation [12.620728925515012]
本稿では,GAN(Generative Adversarial Networks)におけるサンプリング効率とフローベースモデルの安定した性能を組み合わせた一段階生成モデルを提案する。我々のモデルは、確率密度輸送を通常の微分方程式(ODE)で記述できる特性によって駆動される。深層ニューラルネットワークはこれらの特徴に適合するように訓練され、単純なガウス分布を目標分布にプッシュするワンステップマップを生成する。
論文参考訳（メタデータ） (2024-05-09T02:41:42Z)
Response Theory via Generative Score Modeling [0.0]
スコアベース生成モデルとGFDT(Generalized Fluctuation-Dissipation Theorem)を組み合わせた外部摂動に対する動的システムの応答解析手法を提案する。この手法は,非ガウス統計を含むシステム応答の正確な推定を可能にする。
論文参考訳（メタデータ） (2024-02-01T21:38:10Z)
Equivariant Flow Matching with Hybrid Probability Transport [69.11915545210393]
拡散モデル (DM) は, 特徴量の多いジオメトリの生成に有効であることを示した。 DMは通常、非効率なサンプリング速度を持つ不安定な確率力学に悩まされる。等変モデリングと安定化確率力学の両方の利点を享受する幾何フローマッチングを導入する。
論文参考訳（メタデータ） (2023-12-12T11:13:13Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文参考訳（メタデータ） (2022-12-05T19:40:17Z)
Implicit Full Waveform Inversion with Deep Neural Representation [91.3755431537592]
連続的かつ暗黙的に定義されたディープニューラル表現を用いた暗黙完全波形逆変換(IFWI)アルゴリズムを提案する。理論的および実験的解析は、ランダムな初期モデルが与えられた場合、IFWIが大域的な最小値に収束できることを示している。 IFWIは、様々な2次元地質モデルの実験で実証される、ある程度の堅牢性と強い一般化能力を持っている。
論文参考訳（メタデータ） (2022-09-08T01:54:50Z)
Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文参考訳（メタデータ） (2021-06-05T01:31:51Z)
MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文参考訳（メタデータ） (2021-06-03T12:59:16Z)

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。