Aug, 2022

Autoinverse: 神经网络的不确定性感知反演

PDF
TL;DRAutoinverse 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。
neural networksinverse methodpredictive uncertaintyautoinversereal-world problems
发现论文，激发创造
  • 利用可逆神经网络分析逆问题

    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。

    Aug, 2018

  • 基于机器学习代理的贝叶斯反问题方法应用

    使用神经网络作为代理模型，解决逆问题中基于二维声波方程噪声数据推断源位置的问题。

    Oct, 2023

  • 通过辅助知识对齐的对抗性神经网络反演

    本文研究了深度学习技术的隐私风险和在对抗性环境下的模型反演问题，并提出了设计两种技术来训练反演模型，从部分预测中准确地反演目标模型。

    Feb, 2019

  • 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

  • 无监督神经网络在逆问题中的收敛与恢复保证

    神经网络应用于解决反问题已经成为近年来的主要方法，本文旨在通过过参数化方式来控制神经正切核，提供了无监督前馈多层神经网络解决反问题的确定性收敛和恢复保证，并给出了对于具有平滑激活函数的两层深度逆先验网络的过参数化界限。

    Sep, 2023

  • 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

  • 对反问题中可逆架构的基准测试

    研究探讨了基于流的可逆神经网络在逆问题求解方面较为有效，并进一步结合十种可逆体系结构和相关模型解决低维基准问题，发现耦合层和简单自编码器表现最佳。希望该研究能促进其他研究者在相似情境中评估他们的可逆体系结构，并提出其他基准问题，以便该评估最终发展成为官方社区挑战。

    Jan, 2021

  • 使用深度神经网络解决反问题 -- 鲁棒性是否包含？

    本文针对深度学习方法在图像重建领域中的应用进行了可靠性研究，通过对受压缩感知、傅里叶和 Radon 重建等问题进行深入分析并量化和定性地比较了深度学习和总变分模型，其结果表明，深度学习模型不仅对统计噪声有抗干扰能力，而且对对抗干扰也能够很好地处理。

    Nov, 2020

  • 利用精确代理模型增强反问题求解的方法，找到有前途的候选解

    研究了神经邻伴方法中代理模拟器准确性对解决方案的影响，通过提出一种名为 Neural Lagrangian 方法的扩展，发现使用大型精确的代理模拟器能够更好地解决问题。在进行必要数量的解决方案候选者的处理困难时，NeuLag 方法能够找到最优解，即使在处理软或硬约束时也可以。

    Apr, 2023

  • 基于循环一致性的神经网络不确定性量化在逆向成像问题中的应用

    本文介绍了基于循环一致性的深度神经网络不确定性量化方法，通过建立前向 - 后向循环并进行回归分析，获得神经网络预测的不确定性评估。此方法可广泛应用于解决反问题的各种神经网络中。

    May, 2023