論文の概要: Deep Bayesian REFoCUS

• arxiv url: http://arxiv.org/abs/2610.03419v1
• Date: Fri, 02 Oct 2026 15:06:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.434653
• Title: Deep Bayesian REFoCUS
• Title（参考訳）: Deep Bayesian REFoCUS
• Abstract要約: 我々は、線形REFoCUSデコーダが故障するランク不足状態に対処するために、マルチスタティックデータセットの深い生成前を訓練する。 この「ディープベイズREFoCUS」と呼ばれるアプローチは、階級差と騒音レベルの全ての制度において線形ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 3.203306596613545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work we formulate ultrasound multistatic recovery from arbitrary transmit sequences as a Bayesian inference problem. To that end, we train a deep generative prior on multistatic data sets to tackle the rank-deficient regime in which classical linear REFoCUS decoders fail. This appproach, which we term Deep Bayesian REFoCUS, outperforms the linear baselines for all regimes of rank-deficiency and noise levels, and regresses to linear decoding when inversion is exact. The model also expresses uncertainty in the null space of the acquisitions, whereas the linear REFoCUS decoders only provide point estimates. Finally, we analyze the impact of distribution shift between simulation and in-vivo acquisitions, showing remarkable generalization ability without any fine-tuning or adaptation.
• Abstract（参考訳）: 本研究では,任意の送信シーケンスからの超音波マルチスタティックリカバリをベイズ推論問題として定式化する。 そこで我々は,古典線形REFoCUSデコーダの故障に対処するために,マルチスタティックデータセットの深層生成前処理を訓練する。 この近似は、Deep Bayesian REFoCUS(英語版)と呼ばれ、ランク欠陥とノイズレベルの全規則に対して線形ベースラインを上回り、逆変換が正確であるときに線形デコードに回帰する。 このモデルは取得のヌル空間の不確実性も表すが、線形REFoCUSデコーダは点推定のみを提供する。 最後に,シミュレーションとin-vivo取得間の分布シフトの影響を解析し,微調整や適応を伴わずに顕著な一般化能力を示す。

関連論文リスト

• Flow-Corrected Thompson Sampling for Non-Stationary Contextual Bandits [3.2848713528308817]
  報酬モデルが時間とともにドリフトする非定常線形文脈帯域について検討する。 本研究では,過去の報酬を現在まで輸送することで,経験を再利用するベイズ的手法であるフロー補正トンプソンサンプリング(fcTS)を提案する。
  論文  参考訳（メタデータ） (2026-06-22T20:52:19Z)
• Exact Posterior Score Estimation for Solving Linear Inverse Problems [32.51816945978934]
  拡散モデルとフローベースモデルは、ガウスの汚職を逆転させるためにデノイザーを訓練することで、強力なデータ先行を学習する。 既存の方法は、近似的な測定マッチング補正で固定された事前訓練されたデノイザを操るか、あるいは前者のデノイズ構造を捨てた条件付き復元モデルを訓練するかのいずれかである。 我々はこのアイデンティティを,標準事前学習の入出力構造を保存した学習目標であるExact Posterior Score(EPS)に変換する。
  論文  参考訳（メタデータ） (2026-06-15T17:58:22Z)
• Deep Adaptive Dimension Reduction for Bayesian Inference in Inverse Problems [9.668085723676725]
  本稿では,変分流(VF)モデルに基づく深層適応次元還元ベイズ推論フレームワークを提案する。 本手法は, MCMC, UKI, SVGDベースラインと比較して, 競争力や精度に優れることを示す。
  論文  参考訳（メタデータ） (2026-05-28T05:21:19Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
  我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。 圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
  論文  参考訳（メタデータ） (2024-09-19T17:56:16Z)
• Stochastic gradient descent for streaming linear and rectified linear systems with adversarial corruptions [8.756480554457985]
  我々は,SGD-expを最大50%のMassart汚職率で真のパラメータにほぼ線形収束する新しい保証を示す。 これはストリーミング環境での堅牢なReLU回帰に対する初めての収束保証結果である。
  論文  参考訳（メタデータ） (2024-03-02T12:45:01Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Benign Overfitting in Linear Classifiers and Leaky ReLU Networks from KKT Conditions for Margin Maximization [59.038366742773164]
  ロジスティック損失の勾配流によって訓練された線形および漏洩ReLUは、KKT条件を満たすための暗黙の偏りを持つ。 本研究では、線形分類器や2層リークReLUネットワークにおいて、これらの条件の満足度が良性オーバーフィットを意味するような設定を多数確立する。
  論文  参考訳（メタデータ） (2023-03-02T18:24:26Z)

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。