×
杨靖雅;牛、圆陵;周庆平

用于超参数贝叶斯线性逆问题的CVAE-内吉布斯采样器。 （英语） 兹比尔1524.62126

计算。申请。数学。 42，第3号，第138号论文，23页（2023年）.
摘要：对于先验函数或似然函数依赖于模糊超参数的贝叶斯线性逆问题，我们提出了一种基于Gibbs采样的条件变分自动编码器（CVAE-within-Gibbs）。该方法基于经典抽样理论和深生成模型的最新进展，以近似复杂的概率分布。具体来说，我们使用一个经过大量数据训练的CVAE模型来学习原始Gibbs采样器中超参数的条件密度。条件后验的学习性质比经典吉布斯采样提供了更多的灵活性，因为它避免了手动或实验确定超先验及其超参数。我们对热传导问题中的三个线性反问题，即图像去模糊、信号去噪和边界热流识别，证明了该方法的性能。

MSC公司：

2015年1月62日 贝叶斯推断
65二氧化碳 蒙特卡罗方法
68T07型 人工神经网络与深度学习

关键词：

反问题;贝叶斯推断;吉布斯采样;条件变分自动编码器;超参数

软件：

PyTorch公司
PDF格式BibTeX公司 XML格式引用
\textit{J.Yang}等人，计算。申请。数学。42，第3号，第138号论文，23页（2023年；Zbl 1524.62126）
全文： 内政部

参考文献：

[1] 阿格拉瓦尔，S。；Kim，H。；Sanz-Alonso，D.，伽马超验反问题的变分推理方法，SIAM/ASA J Uncertain Quantif，10，4，1533-1559（2022）·Zbl 1514.35425号 ·doi:10.1137/21M146209X
[2] 巴纳姆，MR；Katsaggelos，AK，数字图像恢复，IEEE Signal Process Mag，14，2，24-41（1997）·数字对象标识代码：10.1109/79.581363
[3] Bardsley JM，Cui T（2019）非线性分层Baysian逆问题的大都市-哈斯廷斯-内吉布斯采样器。2017年矩阵年鉴。施普林格，第3-12页·Zbl 1419.65002号
[4] Calvetti，D。；Pragliola，M。；Somersalo，E.，从少量噪声数据中进行稀疏重建：具有广义伽玛超先验的分层贝叶斯模型分析，逆问题，36，2（2020）·Zbl 1464.62365号 ·doi:10.1088/1361-6420/ab4d92
[5] Carriquiry AL、Pawlovich M等人（2004）《从经验贝叶斯到完全贝叶斯：交通安全数据分析方法》
[6] Casella，G.，《经验贝叶斯数据分析导论》，美国统计局，39，2，83-87（1985）
[7] 开口销，SL；罗伯茨，GO；Stuart，AM，MCMC函数方法：修改旧算法使其更快，Stat Sci，28，3，424-446（2013）·Zbl 1331.62132号 ·doi:10.1214/13-STS421
[8] Donatelli M，Ferrari P，Gazzola S（2022）图像去模糊中的对称化技术。arXiv预印本arXiv:2212.05879
[9] 邓洛普，MM；马萨诸塞州伊格莱西亚斯；Stuart，AM，层次贝叶斯水平集反演，统计计算，27，6，1555-1584（2017）·Zbl 1384.62084号 ·doi:10.1007/s11222-016-9704-8
[10] 福克斯，C。；Norton，RA，线性高斯反问题中的快速采样，SIAM/ASA J Uncertain Quantif，4，1，1191-1218（2016）·Zbl 1398.94081号 ·doi:10.1137/15M1029527
[11] Gamerman，D。；Lopes，HF，马尔可夫链蒙特卡罗：贝叶斯推理的随机模拟（2006），博卡拉顿：CRC出版社，博卡拉顿·Zbl 1137.62011年 ·doi:10.1201/9781482296426
[12] Guha，N。；吴，X。；Efendiev，Y.，《偏t误差分布反问题的变分贝叶斯方法》，《计算物理杂志》，301377-393（2015）·Zbl 1349.62079号 ·doi:10.1016/j.jcp.2015.07.062
[13] 郭斌，韩毅，文J（2019）Agem:通过深度先验和抽样解决线性反问题。高级神经信息处理系统32:547-558
[14] 郭，L。；赵，XL；Gu，XM，用于图像去模糊的三维分数总变分正则张量优化模型，应用数学计算，404126224（2021）·Zbl 1510.94012号
[15] Jin，B.，脉冲噪声反问题的变分贝叶斯方法，计算物理杂志，231,2423-435（2012）·Zbl 1243.65115号 ·doi:10.1016/j.jcp.2011.09.009
[16] Jin，B。；邹，J.，通过变分方法对不适定问题的层次贝叶斯推理，计算物理杂志，229，19，7317-7343（2010）·Zbl 1198.65189号 ·doi:10.1016/j.jcp.2010.06.016
[17] 凯皮奥，J。；Somersalo，E.，《统计与计算反问题》（2006），柏林：Springer科学与商业媒体，柏林·Zbl 1068.65022号
[18] Kingma DP，Welling M（2014）《自动编码变分贝叶斯》。收录于：Bengio Y，LeCun Y（eds）第二届国际学习代表大会，ICLR 2014，加拿大AB Banff，2014年4月14日至16日，会议记录。arXiv公司：1312.6114
[19] Kullback，S。；莱布勒，RA，《信息与充分性》，《数学统计年鉴》，22，1，79-86（1951）·Zbl 0042.38403号 ·doi:10.1214/aoms/1177729694
[20] Liu，JS，《都市独立抽样与拒绝抽样和重要性抽样的比较》，《统计计算》，6，2，113-119（1996）·doi:10.1007/BF00162521
[21] 刘，Q。；Tong，XT，《使用吉布斯采样器加速都市——微分方程局部计算》，《统计计算》，30，4，1037-1056（2020）·Zbl 1447.62135号 ·doi:10.1007/s11222-020-09934-w
[22] Liu J，Sun Y，Xu X等（2019）基于总变分正则化深度图像先验的图像恢复。ICASSP 2019-2019 IEEE国际声学会议。语音和信号处理（ICASSP）。IEEE，第7715-7719页
[23] Ma Y，Tan J，Krishnan N等人（2014）信号估计的经验贝叶斯和完全贝叶斯。arXiv预打印arXiv:1405.2113
[24] Minkowycz W、Sparrow EM、Schneider GE等人（1988）《数值传热手册》
[25] Mirza M，Osindero S（2014），条件生成对抗网。arXiv预印本arXiv:11411.1784
[26] Paszke A、Gross S、Massa F等（2019）《Pytorch：一个命令式、高性能的深度学习库》。高级神经信息处理系统32:8026-8037
[27] Plassier V、Vono M、Durmus A等人（2021）DG-LMC：通过Gibbs中的Langevin Monte Carlo实现的交钥匙和可扩展同步分布式MCMC算法。In:机器学习国际会议，PMLR，第8577-8587页
[28] Rao，AM；Jones，DL，多传感器信号估计的去噪方法，IEEE Trans-signal Process，48，5，1225-1234（2000）·doi:10.1109/78.839971
[29] 李鲁丁；Osher，S。；Fatemi，E.，基于非线性总变差的噪声去除算法，Phys D非线性现象，60，1-4，259-268（1992）·Zbl 0780.49028号 ·doi:10.1016/0167-2789（92）90242-F
[30] Sohn K，Lee H，Yan X（2015）使用深层条件生成模型学习结构化输出表征。高级神经信息处理系统28:3483-3491
[31] Stuart，AM，《逆向问题：贝叶斯观点》，《数值学报》，第19期，第451-559页（2010年）·Zbl 1242.65142号 ·doi:10.1017/S0962492910000061
[32] Su X，Zamzami N，Bouguila N（2022）有限和无限离散指数混合模型的吉布斯采样完全贝叶斯推断。应用艺术智能36（1）：1-28
[33] 蒂瓦里，KA；Raisutis，R。；Samaitis，V.，《提高风力涡轮机叶片超声波无损检测信噪比的信号处理方法》，Procedia Struct Integr，5，1184-1191（2017）·doi:10.1016/j.prostr.2017.07.036
[34] XT动力钳；Morzfeld，M。；Marzouk，YM，MALA-within-Gibbs采样器，用于稀疏条件结构的高维分布，SIAM科学计算杂志，42，3，A1765-A1788（2020）·Zbl 1444.62073号 ·doi:10.137/19M1284014
[35] Uribe F，Bardsley JM，Dong Y，et al（2021）一种混合吉布斯采样器，用于不确定视角的边缘保留层析重建。arXiv预打印arXiv:2104.06919
[36] Wang，J。；Zabaras，N.，逆向热传导问题的贝叶斯推理方法，《国际热质转换杂志》，47，17-18，3927-3941（2004）·1070.80002赞比亚比索 ·doi:10.1016/j.ijheatmasstransfer.2004.02.028
[37] Wang R，Tao D（2014）图像去模糊的最新进展。arXiv预印本arXiv:1409.6838
[38] Winkler C、Worrall D、Hoogeboom E等人（2019年）有条件规范化流的学习可能性。arXiv预打印arXiv:1912.00042
[39] 谢军。；科隆纳，JG；Zhang，J.，《生物声信号去噪：综述》，Artif Intell Rev，54，5，3575-3597（2021）·doi:10.1007/s10462-020-09932-4
[40] 张，C。；Arridge，S。；Jin，B.，泊松数据的期望传播，逆概率，35，8（2019）·Zbl 1425.62050号 ·doi:10.1088/1361-6420/ab15a3
[41] 周，Q。；刘伟。；Li，J.，大型线性高斯反问题的近似经验贝叶斯方法，逆问题，34，9（2018）·兹比尔1403.62037 ·doi:10.1088/1361-6420/aac287
[42] 朱旭，米兰法尔P（2010）大气湍流扭曲视频图像重建。In:视觉信息处理和通信，SPIE，第228-235页
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。