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.
2 天有情绪数据
-
基于分数的扩散模型增强逆光断层扫描重建
研究人员开发了一种使用基于分数的扩散模型来改进逆光断层扫描（DOT）重建的新方法，DOT是一个复杂的逆问题。新方法通过结合学习组件和基于模型组件来构建混合分数，为其有效性提供了理论依据。与经典和其他基于扩散的方法相比，实验证明了这种正则化方法的优越准确性，尤其是在有限视角几何和真实实验数据方面。
-
用于贝叶斯逆问题的新的无限维连续归一化流模型
研究人员开发了一种新颖的无限维连续归一化流模型，用于解决涉及偏微分方程的逆问题的贝叶斯推断。该模型利用无限维空间中的神经常微分方程将参考测度转换为更复杂的测度，该测度编码了先验信息。该框架在理论上已建立在无限维希尔伯特空间中的适定性，并包括用于贝叶斯后验的训练方法和采样算法。该方法已成功应用于各种逆问题，包括逆散射和热传导。
-
机器学习中条件期望算子新判据
一篇新论文介绍了一个可验证的判据，用于理解条件期望算子（CEOs）和条件均值嵌入（CMEs）。这些概念在非参数回归、贝叶斯逆问题和库普曼算子理论等领域至关重要。研究表明，CEOs的映射性质由条件律的Radon-Nikodym密度的正则性决定。该论文提供了一个简单的条件，以确保CEO是有界的且是Hilbert-Schmidt的，这有助于验证CME表示和估计器的误差界。
-
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。