Bayesian inverse problems with unknown operators
PulseAugur coverage of Bayesian inverse problems with unknown operators — every cluster mentioning Bayesian inverse problems with unknown operators across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究论文详细介绍了贝叶斯逆问题中的“先验洗白”
一篇新研究论文介绍了“先验洗白”的概念，这是一种将学习到的生成先验用于病态贝叶斯逆问题的方法。该方法涉及在真实数据稀缺的情况下（例如在地震或医学成像中）使用历史重建的存档。论文认为，这个过程可能导致后验不确定性中继承的、无法检测到的过度自信，因为报告的不确定性可能反映了存档的信念，而不是数据的实际可分辨性。作者建议报告测量可分辨的方向，以区分数据支持的信心和继承的信念。
-
新框架增强了复杂贝叶斯问题的神经似然近似能力
研究人员开发了一种用于贝叶斯逆问题中神经似然近似的新框架，解决了复杂科学和工程模型带来的挑战。该方法通过最小化 Kullback-Leibler 散度来训练似然代理模型，这等同于最小化预期的负对数似然。所提出的方法通过允许非归一化势函数来改进理论基础，使学习问题严格凸化，并确保经验最小化器在数据充足时收敛到真实似然。该框架已成功应用于去模糊和基于非线性 PDE 的成像问题。
-
新的拉普拉斯-费舍尔门恒等式增强了贝叶斯逆问题的评分估计
研究人员开发了一种名为拉普拉斯-费舍尔门恒等式（LFGI）的新方法，用于从非归一化目标进行采样时的评分估计。该方法使用矩阵值混合系数（门）来优化条件风险最小化。推导了LFGI公式，并证明其在不改变估计量期望值的情况下降低了方差。该方法已应用于贝叶斯逆问题的归一化密度评估，改进了密度校准和采样诊断。
-
研究统一了贝叶斯逆问题的驱动先验
一篇新的研究论文提出了一个统一的框架，用于将各种数据驱动的先验集成到贝叶斯逆问题中。该研究展示了如何通过得分函数统一各种先验，包括去噪正则化、基于归一化流的先验和基于得分的生成模型。这种方法允许有效地集成到提出的采样算法中，并在图像修复和超分辨率任务中得到实验验证。