論文の概要: Learned Adaptive Multiresolution Diffusion Imaging

• arxiv url: http://arxiv.org/abs/2610.07884v1
• Date: Tue, 06 Oct 2026 07:31:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.86885
• Title: Learned Adaptive Multiresolution Diffusion Imaging
• Title（参考訳）: 適応型多分解能拡散イメージング
• Abstract要約: 適応多分解能法は、必要に応じて微細な自由度を集中させることで表現コストを削減する。 本稿では,AMDI固定木プロパゲータと階層制約を保存したLearned Adaptive Multi resolution Diffusion Imaging (Learned AMDI)を紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Adaptive multiresolution methods reduce representation cost by concentrating fine-scale degrees of freedom where needed, but their tree updates are usually governed by fixed local criteria. We introduce Learned Adaptive Multiresolution Diffusion Imaging (Learned AMDI), which preserves the AMDI fixed-tree propagator and hierarchy constraints while replacing the post-propagation selector with a shared local policy trained by proximal policy optimization. Regression tests reproduce deterministic AMDI trajectories to machine precision when identical trees are used. In the Haar implementation studied here, the deterministic one-step selector accepts no refinements in 54 decisions. Across nine held-out cases, Learned AMDI executes 393 refinements and reduces the mean terminal reference discrepancy from $0.17496$ to $0.13657$, while occupancy rises from $0.13737$ to $0.26660$. Step-resolved diagnostics reveal occasional small adaptation-energy increases; fixed-tree energy stability therefore does not guarantee monotonicity of the learned outer iteration. At comparable occupancy, a validation-tuned observed-detail threshold reaches a discrepancy of $0.13792$ with slightly better RMSE and SSIM, placing both methods on essentially the same accuracy--occupancy tradeoff. A decision-1-only control reaches $0.13742$, indicating that most of the improvement on this static benchmark arises from the initial allocation. The shared actor transfers without retraining to $64\times64$ and $128\times128$ images, improving reference discrepancy, RMSE, and SSIM relative to deterministic AMDI, while the frozen threshold rule remains competitive. Learned AMDI thus provides a hierarchy-constrained, resolution-transferable mechanism for adaptive allocation and clarifies the contribution of sequential decisions.
• Abstract（参考訳）: アダプティブ・マルチレゾリューション法は、必要に応じて微細な自由度を集中させることで表現コストを削減するが、ツリー更新は通常、固定された局所的な基準によって管理される。 本稿では,AMDI固定木プロパゲータと階層制約を保ちつつ,後処理セレクタを近似ポリシー最適化によって訓練された共有ローカルポリシーに置き換える学習適応型多分解能拡散イメージング(Leared Adaptive Multi resolution Diffusion Imaging, AMDI)を提案する。 回帰テストは、同じ木を用いる場合、決定論的AMDI軌道を機械精度に再現する。 ここで研究されたハール実装では、決定論的一段階セレクタは54の判定において改良を受けない。 Learned AMDIは9つのホールドアウトケースで393のリファインメントを実行し、平均終端参照の不一致を0.17496$から0.13657$に減らし、占有率は0.13737$から0.26660$に上昇する。 ステップ分解診断は時折小さな適応エネルギーの増加を示すが、固定木のエネルギー安定性は学習された外部反復の単調性を保証するものではない。 同等の占有率では、検証調整された観測詳細しきい値が、RMSEとSSIMをわずかに改善した0.13792$の誤差に達する。 決定-1のみの制御は0.13742$に達し、この静的ベンチマークの改善の大部分が初期割り当てから生じることを示している。 共有アクターは6,4\times64$と128\times128$のイメージに再トレーニングすることなく転送され、決定論的AMDIに対する参照不一致、RMSE、SSIMが改善される一方、凍結しきい値ルールは競争力を維持している。 学習されたAMDIは、アダプティブアロケーションのための階層的に制約された解像度変換可能なメカニズムを提供し、シーケンシャルな決定の貢献を明らかにする。

関連論文リスト

• Amortising Trajectory Optimisation for Residual MPC via Implicit Contact Differentiation [4.4868032790739765]
  規則化された滑らかな接触に対するADアシスト型暗黙微分を導入し,Mujoco MJXに適用する。 この方法では、許容収束解における定常性残差を区別し、解解器のアンロール化と手組化KKTシステムの両方を避ける。
  論文  参考訳（メタデータ） (2026-07-27T18:05:46Z)
• Autonomous Adaptive Solver Selection for Chemistry Integration via Reinforcement Learning [0.0]
  本稿では,化学統合中に暗黙的BDF積分器(CVODE)と準定常解器(QSS)を自律的に選択する制約付き強化学習(RL)フレームワークを提案する。 0D同質の原子炉条件全体では、RL適応政策は平均速度が約3倍、速度が1.11倍から10.58倍になる。 再訓練なしでは、0D訓練された政策は1D逆流拡散炎に10ドル-2000mathrms-1$で移行し、一貫した$approx 2.2を提供する。
  論文  参考訳（メタデータ） (2026-03-31T21:44:58Z)
• Cognitive Friction: A Decision-Theoretic Framework for Bounded Deliberation in Tool-Using Agents [0.0]
  制約のないツール使用エージェントは、どの情報ソースをクエリして実行するかを決めなければなりません。 本稿では,これらの障害モードを認知的摩擦によって形式化する決定論的枠組みであるTCAを提案する。 我々は,TCAを2つの制御された環境において,停止品質,混雑時の行動選択,時間的緊急性の分離を図った。
  論文  参考訳（メタデータ） (2026-03-31T17:30:25Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
  Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。 Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
  論文  参考訳（メタデータ） (2025-05-19T07:32:56Z)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)

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。