論文の概要: Active Diffusion-Based Inference for Ill-Posed Inverse Problems under Incomplete Priors

• arxiv url: http://arxiv.org/abs/2608.27080v1
• Date: Thu, 27 Aug 2026 13:06:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.408478
• Title: Active Diffusion-Based Inference for Ill-Posed Inverse Problems under Incomplete Priors
• Title（参考訳）: 不完全事前条件下でのIll-Posed逆問題に対する能動拡散に基づく推論
• Abstract要約: 能動拡散に基づく逆問題解法を提案する。 DMはパラメータ空間と可観測空間の間のマッピングを学習するために訓練される。 無限解を用いた玩具逆問題に対する逆解法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 2.684527618857331
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many scientific and engineering applications require estimating unknown parameters from experimentally observable data -- an inverse problem that is inherently challenging due to nonlinearity, noise, and ill-posedness. In this paper, we propose an active diffusion-based inverse problem solver. A DM is trained to learn the mapping between the parameter space and the observable space. By iteratively detecting and correcting model misspecification through posterior uncertainty, the method discovers and learns the correct region of parameter space, even when initial training bounds exclude the true parameters. This provides a principled, Bayesian justification for adaptive domain augmentation and ensures robust inference for inverse problems under incomplete prior knowledge. We demonstrate the effectiveness of our inverse solver for a toy inverse problem with infinite solutions, and for the parameterization of the quantum correlation functions to event observables in a Quantum Chromodynamics analysis of nucleon structure.
• Abstract（参考訳）: 多くの科学的・工学的な応用では、実験的に観測可能なデータから未知のパラメータを推定する必要がある。 本稿では,能動拡散に基づく逆問題解法を提案する。 DMはパラメータ空間と可観測空間の間のマッピングを学習するために訓練される。 後続の不確実性を通じてモデルの誤特定を反復的に検出し、補正することにより、初期訓練境界が真のパラメータを除外した場合でも、パラメータ空間の正しい領域を発見し、学習する。 これは、適応的領域拡張に対する原理化されたベイズ的正当化を提供し、不完全事前知識の下での逆問題に対する堅牢な推論を保証する。 本稿では,無限解をもつ玩具逆問題に対する逆解法の有効性を実証し,量子クロモダイナミックス解析における量子相関関数のパラメータ化について述べる。

関連論文リスト

• Neural network surrogates with uncertainty quantification for inverse problems in partial differential equations [11.776563892451817]
  本稿では、不確実性を考慮した予測を提供する微分方程式解法のためのニューラルネットワークサロゲートであるDeepGaLAを紹介する。 様々な数値実験において、DeepGaLAは、確立されたガウス過程のサロゲートに匹敵する精度でフォワードモデル近似を提供する。
  論文  参考訳（メタデータ） (2026-06-18T16:02:20Z)
• Solving Inverse Parametrized Problems via Finite Elements and Extreme Learning Networks [0.0]
  パラメータ依存偏微分方程式に対するパラメトリック・リダクション・オーダー・モデリング・フレームワークを開発した。 空間的離散化とパラメータ近似の相互作用を明示的に定量化する厳密な誤差推定を導出する。 提案手法は定量的な光音響トモグラフィーにおける逆問題に応用され、ポテンシャルとパラメータ再構成誤差の推定を導出する。
  論文  参考訳（メタデータ） (2026-02-16T14:01:50Z)
• Bayesian Model Parameter Learning in Linear Inverse Problems: Application in EEG Focal Source Imaging [49.1574468325115]
  逆問題は、関心のシグナルを直接観測できない限定データ問題として記述することができる。 未知の非線形モデルパラメータを含む線形逆問題について検討した。 ベイズモデルに基づく学習手法を用いて,信号の回復とモデルパラメータの推定を行った。
  論文  参考訳（メタデータ） (2025-01-07T18:14:24Z)
• Stochastic Inverse Problem: stability, regularization and Wasserstein gradient flow [7.110337170229741]
  物理科学や生物学における逆問題はしばしば、ランダムな未知のパラメータを復元する。 本稿では, この問題の3つの側面として, 直接定式化, 正規化による変分, 勾配流による最適化について考察する。
  論文  参考訳（メタデータ） (2024-09-30T20:56:34Z)
• 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)
• Weak neural variational inference for solving Bayesian inverse problems without forward models: applications in elastography [1.6385815610837167]
  偏微分方程式(PDE)に基づく高次元ベイズ逆問題に対する新しいデータ駆動手法を提案する。 Weak Neural Variational Inference (WNVI) 法は、物理モデルから導出される仮想的な観測で実測を補完する。 我々は、WNVIがブラックボックスのような(非線形でない)前方問題の繰り返し解決に依存する従来の方法よりも正確かつ効率的であることを示す。
  論文  参考訳（メタデータ） (2024-07-30T09:46:03Z)
• Reverse em-problem based on Bregman divergence and its application to classical and quantum information theory [53.64687146666141]
  近年,反復を必要とせずにチャネル容量を計算できる解析手法が提案されている。 トヨタが提案した逆のEm-problemに注意を向けます。 逆の Em-problem の非定型式を導出する。
  論文  参考訳（メタデータ） (2024-03-14T10:20:28Z)
• Source Condition Double Robust Inference on Functionals of Inverse Problems [71.42652863687117]
  線形逆問題に対する解の線形汎関数として定義されるパラメータの推定を考察する。 本稿では,第1のソース条件である二重ロバスト推論法を提案する。
  論文  参考訳（メタデータ） (2023-07-25T19:54:46Z)
• Semi-supervised Invertible DeepONets for Bayesian Inverse Problems [8.594140167290098]
  DeepONetsは、学習オペレーターによってパラメトリックPDEを解決する強力なデータ駆動ツールを提供する。 本研究では,高次元ベイズ逆問題(Bayesian inverse problem)の文脈で物理インフォームド・ディープノネット(DeepONets)を用いる。
  論文  参考訳（メタデータ） (2022-09-06T18:55:06Z)
• A Variational Inference Approach to Inverse Problems with Gamma Hyperpriors [60.489902135153415]
  本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。 提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
  論文  参考訳（メタデータ） (2021-11-26T06:33:29Z)
• 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)

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。