Aug, 2018

利用可逆神经网络分析逆问题

PDF
TL;DR本文探讨了逆问题的数学定义，提出了一种称为 Invertible Neural Networks (INNs) 的神经网络模型，利用预定义的正向过程和额外的 latent output variables 来解决参数估计问题，并在人工数据和实际问题中发现 INN 是解决参数分布分析、寻找多模态和相关性较强的关键性分析工具。
invertible neural networksparameter estimationposterior distributionmulti-modalitiesparameter correlations
发现论文，激发创造
  • 一石二鸟：探究可逆神经网络在形态学反问题中的应用

    本文介绍了在自然语言处理中，使用可逆神经网络（INNs）来同时优化分析和生成问题，克服问题间的模型差异，从而提高效率，在形态学问题中进行的试验表明，INNs 在语义和形态学层面上都具有出色的表现，并能预测输入参数。

    Dec, 2019

  • 基于物理信息可逆神经网络的高效贝叶斯反问题推断

    提出了使用物理知识的可逆神经网络 (PI-INN) 来解决贝叶斯反问题的新方法，其中包括 INN 和 NB-Net 两个子网络来提高估计后验概率分布的可行性，并采用新的独立损失项来保证 INN 输出的统计独立性，通过数值实验验证了其高效性和准确性。

    Apr, 2023

  • 可逆神经网络中爆炸反演的理解和缓解

    本文研究了可逆神经网络的数值稳定性，发现常用结构存在逆爆炸现象及无法逆运算等问题，针对不同问题提出了逆问题的解决方法，证明了构建稳定可逆神经网络是重要的。

    Jun, 2020

  • Autoinverse: 神经网络的不确定性感知反演

    Autoinverse 是一种高度自动化的逆变神经网络代理的方法，该方法能够在真实世界中部署，并且具有可行性和嵌入式正则化，并且在控制、制造和设计等领域得到了验证。

    Aug, 2022

  • 成像反问题的模型适应

    探究如何在不知道正向模型改变详情的情况下，使用简单的模型适应方法，使得深度神经网络在计算成像的各种逆问题中，包括去模糊、超分辨率和磁共振成像中的欠采样图像重建方面，取得实证成功。

    Nov, 2020

  • 关于逆可逆神经网络逼近双 Lipschitz 映射的研究

    本文通过分析基于耦合的可逆神经网络（INN）对紧致域上的双 Lipschitz 连续映射的容量，得出同时很好地逼近正向和逆向映射的结论。此外，通过将模型简化、主成分分析和 INN 相结合，提出了一种在无限维空间上同时逼近正向和逆向映射的逼近方法，并分析了该方法的整体逼近误差。初步的数值结果显示该方法在逼近参数化二阶椭圆问题的解算符方面的可行性。

    Aug, 2023

  • 基于物理字典的稀疏信号分解驱动的深度神经网络求解反问题

    提出了一种融合深度神经网络和传统分析方法优势的解决一般反问题的方法，该方法具有较高的可解释性、易于训练，适合于在医学中的应用，具有 MRI 成像参数估计等方面的应用潜力。

    Jul, 2021

  • 基于时间的深度反演模型比较及神经伴随方法

    本研究考虑如何解决一类通用的逆问题，通过使用深度学习等多种方法，通过随机快速生成搜索算法的方式，寻找可能的逆解空间，并通过一个新方法来得到最佳逆解。

    Sep, 2020

  • 深度学习与反问题

    这篇论文主要研究了机器学习和深度学习在逆问题中的应用，特别关注了神经网络和卷积神经网络的使用。

    Sep, 2023

  • InverseNet: 使用拆分网络解决逆问题

    本文提出了一种新的深度学习方法来解决逆问题，采用端到端映射的形式，通过两个网络来处理物理正向模型的反演和输出去噪，达到对图像进行处理的目的。

    Dec, 2017