Core Concepts
部分微分方程式の逆問題を解くために、スコアベースの生成型拡散モデルと伝統的なベイズ推論フレームワークを組み合わせた新しい正則化逆問題解法を提案する。
Abstract
本論文では、部分微分方程式の逆問題を解くための新しい正則化逆問題解法を提案している。具体的には以下の通りである:
スコアベースの生成型拡散モデルと伝統的なベイズ推論フレームワークを組み合わせることで、未知パラメータの事前分布を学習し、ベイズ事後分布を解く手法を開発した。
拡散過程の周辺確率密度関数が満たすFokker-Planck方程式に基づき、新しい逆方向の常微分方程式を導出し、数値的に離散化することで、ODE ベースの拡散後サンプリング (ODE-DPS) 逆問題解法を提案した。
実験観察に基づき、元の拡散後サンプリングアルゴリズムを改良し、データ残差項のノルムを適応的なノルムに置き換えることで、境界付近の誤差を低減した。
提案手法は事前データのみを必要とし、観測データを必要としない。また、一度学習したネットワークを様々な逆問題に適用できるため、効率的である。
数値実験の結果、提案手法は従来の正則化逆問題解法と比べて、より高精度な逆問題の解を得ることができることを示した。
Stats
逆問題の真の解と提案手法による逆問題の解の相対 l2 誤差は 18.4%
従来手法(Landweber 反復法、Tikhonov 正則化法)の相対 l2 誤差は 34.4% と 37.9%
Quotes
"部分微分方程式の逆問題を解くために、スコアベースの生成型拡散モデルと伝統的なベイズ推論フレームワークを組み合わせた新しい正則化逆問題解法を提案する。"
"ODE ベースの拡散後サンプリング (ODE-DPS) 逆問題解法を提案した。"
"提案手法は事前データのみを必要とし、観測データを必要としない。また、一度学習したネットワークを様々な逆問題に適用できるため、効率的である。"