Core Concepts
変分正則化手法におけるソース条件要素の重要性とその計算方法に焦点を当てる。
Abstract
この論文では、変分正則化手法におけるソース条件要素の計算方法が提案され、機械学習や画像処理などの逆問題に適用されることが示されています。具体的なアルゴリズムや数値実験を通じて、理論的な概念を実践的な観点から裏付けられています。
Stats
K∗v ∈ ∂J(u†)
D(Ku, f δ) = 1/2∥Ku - f δ∥^2_Y
α > 0
∂F(ˆu) = {x∗ ∈ X∗ : F(u) - F(ˆu) ≥ ⟨x∗, u - ˆu⟩∗ , ∀u ∈ X}
DpF(u, w) = F(u) - F(w) - ⟨p, u - w⟩∗.
F ⋆ : p ∈ X∗ 7→ sup{⟨p, u⟩∗ - F(u)}
BJ(u, p) = Dp1/2 ∥·∥^2+J(u, proxJ(p))
GH(q) = BH(Au† + b, q + Au† + b)
EH(v, q†) = 1/2∥Kv - Aq†∥^2 + GH(q†)
Quotes
"Source conditions are a key tool in regularisation theory."
"We provide a recipe to practically compute source condition elements."
"The choice of the regularisation term is less straightforward and it has been an active field of research."
"Over the years, source conditions have been regarded as a purely theoretical tool to quantify convergence rates."