Comment on "A variational Bayesian approach for inverse problems with skew-t error distributions" (Guha et al., Journal of Computational Physics 301 (2015) 377-393)
对具有斜t误差分布的逆问题的变分贝叶斯方法(Guha等人,Journal of Computational Physics 301(2015)377-393)。
2016-11-23 math.PR stat.ME
Adaptive Inference through Bayesian and Inverse Bayesian Inference with Symmetry-Bias in Nonstationary Environments
Tokyo Denki University(东京电机大学);The University of Tokyo(东京大学);SoftBank Robotics Group Corp.(软银机器人集团);Shinshu University(信州大学);Osaka Metropolitan University(大阪公立大学);Waseda University(早稻田大学)
本研究提出贝叶斯与逆贝叶斯(BIB)推断框架,通过引入对称性偏差和动态调节学习率,解决了传统贝叶斯推断中适应性与准确性的权衡,并在非平稳环境中实现了临界动力学与计算效率的共存。
2025-10-31 cs.MA stat.ME
Posterior Consistency of Bayesian Inverse Regression and Inverse Reference Distributions
我们认为贝叶斯推断逆回归问题的目标是推断未观察到的协变量从观察到的响应和协变量。我们建立后验一致性的贝叶斯逆回归problemunder适当的先验在留一交叉验证设置中的未观察到的协变量。我们将其与逆参考分布的后验一致性(Bhattacharya(2013))相关联,以评估模型的充分性。我们用贝叶斯逆回归的各种例子来说明我们的理论和方法,以及足够的模拟实验。
2020-05-01 math.ST stat.TH
Advancing inverse scattering with surrogate modeling and Bayesian inference for functional inputs
针对逆散射中函数输入推断及不确定性量化研究不足的问题,提出融合核函数代理模型与贝叶斯推理的框架,还扩展整合多保真度模拟,相比有限基展开方法实现了更准确且方差更小的函数恢复。
2023-05-02 stat.AP stat.ME
Bayesian inference for transportation origin-destination matrices: the Poisson-inverse Gaussian and other Poisson mixtures
在本文中,我们提出了泊松混合方法的起点-目的地(OD)的交通分析建模。我们引入协变量为基础的模型,其中包括不同的运输建模阶段,也允许直接概率推理的基础上贝叶斯预测的链路流量。重点放在泊松逆高斯作为一种替代常用的泊松伽马和泊松对数正态模型。我们提出了第一个完整的贝叶斯公式,并证明了泊松逆高斯是特别适合OD分析,由于理想的边际和层次属性。此外,集成嵌套拉普拉斯近似(INLA)被认为是一种替代马尔可夫链蒙特卡罗和两种方法进行了比较,在特定的建模假设。案例研究是基于2001年比利时人口普查数据,重点是一个大的,稀疏分布的OD矩阵,包含308佛兰芒自治市的行程信息。
2020-11-11 stat.AP stat.ME
Probabilistic Numerical Methods for PDE-constrained Bayesian Inverse Problems
本文发展了概率描述偏微分方程数值解中离散误差的无网格方法。这种结构使贝叶斯逆问题的解决方案,同时考虑到正向问题的离散化的影响。特别地,这使得统计推断在存在显著求解器误差的情况下更加保守。理论结果描述的收敛速度的后验的正问题和反问题。该方法是一个具有挑战性的反问题与非线性正演模型进行测试。
2017-01-15 cs.NA math.NA math.ST
Bayesian inverse problems with unknown operators
我们考虑的贝叶斯方法的线性逆问题时,潜在的运营商取决于一个未知的参数。考虑到有限维和无限维参数,该理论涵盖了几种不同层次的不确定性的运营商模型。使用产品的先验,我们证明了收缩率的后验分布符合最佳的收敛速度的对数因子。为了适应未知的光滑性,在Lepski方法的基础上构造了一个经验贝叶斯过程。数值例子说明了该过程。
2018-04-06 math.ST stat.ME stat.TH
Scalable Bayesian uncertainty quantification in imaging inverse problems via convex optimization
提出了一种大规模成像逆问题的贝叶斯不确定性量化方法。我们的方法适用于所有的贝叶斯模型是对数凹,最大后验概率(MAP)估计是一个凸优化问题。该方法是一个框架,用于分析MAP估计中观察到的特定结构的置信度(例如,医学成像中的病变,天文成像中的天体来源),以便能够将它们用作证据,为决策和结论提供信息。准确地说,根据贝叶斯决策理论,我们试图通过执行贝叶斯假设检验来断言仔细检查下的结构,该贝叶斯假设检验如下进行:首先,它假设结构不存在于真实图像中,然后试图使用数据和先验知识以高概率拒绝该原假设。计算成像问题的这种测试通常是非常困难的,因为涉及的高维数。这项工作的一个主要特点是利用概率集中现象和底层凸几何制定贝叶斯假设检验作为一个凸问题,我们然后有效地解决了使用可扩展的优化算法。这允许缩放到其他贝叶斯计算方法在计算上无法负担的高分辨率和高灵敏度成像问题。我们说明了我们的方法,称为BUQO(贝叶斯不确定性量化优化),在一系列具有挑战性的傅立叶成像问题在天文学和医学。
2018-11-06 astro-ph.IM stat.ME
Monte Carlo guided Diffusion for Bayesian linear inverse problems
CMAP, Ecole polytechnique(法国综合理工学院CMAP);LPSM, Sorbonne Université(索邦大学LPSM);IHU Liryc(利里克大学医院研究所);CITI, Télécom SudParis(南巴黎电信学院CITI)
本文提出MCGDiff算法,利用基于分数的生成模型先验构造中间线性逆问题序列,并结合序贯蒙特卡洛方法采样,在贝叶斯框架下有效求解不适定线性逆问题。
2023-10-25 cs.LG stat.ME stat.ML
Local estimators and Bayesian inverse problems with non-unique solutions
贝叶斯方法是解决反问题的有效方法。后验密度分布提供了未知量的有用信息。然而,对于非唯一解的问题,经典的估计如最大后验估计(MAP)和条件均值(CM)是不够的。我们引入了两个新的估计,局部极大值后验(LMAP)和局部条件均值(LCM)。他们的应用程序证明了三个反问题:反谱问题,反源问题,和反介质问题。
2021-08-27 math.ST stat.TH
Multiresolution Approximation of a Bayesian Inverse Problem using Second-Generation Wavelets
针对多孔介质渗透率场反演,本文提出结合层级稀疏先验、SMC后验采样、贝叶斯因子模型选择与第二代小波多分辨率重建的贝叶斯方法。
2023-09-29 stat.AP stat.ME
Variational Reformulation of Bayesian Inverse Problems
反问题的经典方法是基于失配函数的优化。尽管其计算吸引力,但这种方法存在许多缺点,例如,非唯一性的解决方案,建模先验知识,等贝叶斯形式主义的逆问题避免了最优化方法遇到的困难,虽然在增加的计算成本。在这项工作中,我们使用信息理论的参数来铸造的贝叶斯推断问题的优化问题。由此产生的计划结合了理论的合理性,充分贝叶斯推断的计算效率的一个简单的优化。
2014-10-21 stat.ML
On the Bernstein-Von Mises Theorem for High Dimensional Nonlinear Bayesian Inverse Problems
本文证明了一类高维非线性贝叶斯反问题在噪声消失极限下的Bernstein-vonMises定理。我们提出了一个关于未知参数个数增长率的充分条件,在此条件下,后验分布是渐近正态的。这个增长条件表示明确的模型维数,反问题的不适定性程度和噪声参数。理论结果被应用到一个椭圆问题中的介质参数的贝叶斯估计。
2017-06-03 math.ST stat.TH
Inverse Renormalization Group Transformation in Bayesian Image Segmentations
Tohoku University(东北大学);Yamagata University(山形大学);Kyoto University(京都大学)
提出了一种新的贝叶斯图像分割算法,该算法将循环置信传播和逆实空间重整化群变换相结合,以减少计算时间。在我们的实验结果中,我们观察到,所提出的方法可以减少计算时间,传统的贝叶斯方法所采取的不到十分之一。
2015-01-05 cond-mat.stat-mech cs.CV stat.ML
Designing truncated priors for direct and inverse Bayesian problems
本文针对带函数型未知量的贝叶斯逆问题,建立了带截断高斯级数先验、满足一般光滑性假设的线性逆问题后验收缩理论,明确了截断点在正、逆问题中的内在作用,推动了贝叶斯逆问题理论发展。
2021-10-12 math.ST stat.TH
Utilizing variational autoencoders in the Bayesian inverse problem of photoacoustic tomography
本研究针对光声层析成像贝叶斯逆问题完整求解研究较少的现状,提出基于变分自编码器的后验分布估计方法,经数值模拟验证并与传统贝叶斯方法对比,为该类逆问题提供机器学习求解思路。
2022-10-24 physics.comp-ph stat.ML
Random forward models and log-likelihoods in Bayesian inverse problems
我们考虑使用随机正向模型和对数似然内的贝叶斯方法来反问题。当使用更便宜的随机替代来近似计算上昂贵的模型时,如在高斯过程仿真(克里金法)中或在概率数值方法领域中,自然会出现对精确正演模型或对数似然的这种随机近似。我们证明了精确和近似贝叶斯后验之间的Hellinger距离是由真实和近似对数似然之间的差异的矩所限定的。这些稳定性结果的应用实例给出随机失配模型在大数据应用和概率解的常微分方程。
2018-09-28 cs.NA math.NA math.PR
A Bayesian Inverse Approach to Proton Therapy Dose Delivery Verification
本研究提出一种一维贝叶斯反演方法,通过传感器检测瞬发γ射线来估计质子束能量沉积剖面,用于质子治疗验证,并在均匀介质和分层肺肿瘤中验证了该方法。
2023-11-15 stat.AP
The Bayesian Formulation and Well-Posedness of Fractional Elliptic Inverse Problems
研究了一类椭圆型分数阶偏微分方程的反问题,即从有限个噪声观测值中恢复方程的阶和扩散系数。我们的工作在贝叶斯框架下,并显示条件下,后验分布是由改变测量从先验。此外,我们证明了反问题的适定性,在这个意义上说,小扰动的观察到的解决方案导致小Hellinger扰动相关的后验措施。因此,我们提供了一个数学基础的贝叶斯学习的顺序-和其他输入-分数模型。
2016-11-16 math.AP math.PR math.ST
Γ-convergence of Onsager-Machlup functionals. Part I: With applications to maximum a posteriori estimation in Bayesian inverse problems
统计逆问题的贝叶斯解可以用后验分布的一种模式来概括,即MAP估计量。MAP估计基本上与逆问题的(正则化)变分解相一致,被视为后验测量的Onsager-Machlup泛函的最小化。反问题稳定性分析中的一个公开问题是建立由变分方法和贝叶斯方法获得的解的收敛性质之间的关系。为了解决这个问题,我们提出了一个通用的收敛理论的模式,是基于$Γ$收敛的Onsager-Machlup泛函,并将此理论应用到贝叶斯逆问题与高斯和边缘保持Besov先验。本文的第二部分考虑更一般的先验分布。
2021-11-29 cs.NA math.NA math.PR
A Bayesian approach with Gaussian priors to the inverse problem of source identification in elliptic PDEs
本文研究椭圆型偏微分方程中未知源函数的统计线性反问题,采用基于高斯先验的非参数贝叶斯方法进行后验推断,回顾了相关理论保证,并在高斯级数先验和Matérn过程先验下通过数值模拟验证了方法性能。
2024-07-25 math.ST stat.ME stat.TH
A Bayesian Multiple Testing Paradigm for Model Selection in Inverse Regression Problems
在这篇文章中,我们提出了一种新的贝叶斯多重检验公式,用于逆向设置中的模型和变量选择,明智地将Bhattacharya(2013)提出的逆参考分布的思想嵌入到由竞争模型组成的混合框架中。我们开发的理论和方法,在一般情况下,包括参数和非参数竞争模型,相关数据,以及误指定。我们的研究表明,渐近多重检验程序几乎肯定会选择最好的逆模型,最大限度地减少最小的Kullback-Leibler发散从真实的模型。我们还表明,差错率,即版本的错误发现率和错误的非发现率几乎肯定收敛到零的样本量趋于无穷大。本文还研究了错误发现率版本的渐近α-控制及其对错误非发现率版本收敛的影响。我们的模拟实验涉及基于小样本的选择之间的逆泊松对数回归和逆几何logit和probit回归,其中回归是线性的或基于高斯过程。此外,还考虑变量选择。我们的多个测试结果证明是非常令人鼓舞的意义上选择最好的模型在所有的非错误指定和错误指定的情况下。
2020-07-15 math.ST stat.ME stat.TH
A Hadamard fractioal total variation-Gaussian (HFTG) prior for Bayesian inverse problems
研究了基于Hadamard分数全变差-高斯(HFTG)先验的无穷维贝叶斯反问题推理方法。首先,建立了Hadamard分式索伯列夫空间,并在一定条件下证明了它是可分的巴拿赫空间.然后,在该可分分数维空间中构造HFTG先验,该混合先验不仅能捕捉到区域的纹理细节,避免了阶跃效应,而且为无限维贝叶斯反演提供了完整的理论分析.基于HFTG先验,给出了贝叶斯反问题后验测度的适定性和有限维近似,并利用标准pCN算法从后验分布中提取样本.最后,不同模型下的数值结果表明,HFTG先验贝叶斯推理方法是有效的和准确的。
2021-10-29 math-ph math.MP math.ST
A note on the Karhunen-Loève expansions for infinite-dimensional Bayesian inverse problems
Shanghai Jiao Tong University(上海交通大学)
本文探讨了截断卡尔文-洛埃夫展开在无限维逆问题中的应用,证明在特定条件下,误差界可无需解知即可估计。
2014-12-30 cs.NA math.NA math.ST
Spline-Based Bayesian Emulators for Large Scale Spatial Inverse Problems
贝叶斯方法的非线性反问题被认为是未知量(输入)是一个随机空间场。正演模型是复杂的和非线性的,因此计算昂贵。一个基于仿真器的方法,贝叶斯多元自适应回归样条(BMARS)被用来模拟的功能,将输入映射到输出。离散余弦变换(DCT)用于输入空间场的降维。后验抽样采用跨维马尔可夫链蒙特卡罗(MCMC)方法。通过分析油气藏表征的模拟和真实数据,给出了数值结果。
2021-05-08 stat.AP stat.CO
On the Local Lipschitz Stability of Bayesian Inverse Problems
在本说明中,我们考虑了贝叶斯推理中后验测量的稳定性。先验测度和对数似然函数的扰动。这扩展了贝叶斯逆问题的适定性分析。特别是,我们证明了一般的局部Lipschitz连续依赖的先验和对数似然w.r.t.的后验。各种常见的概率测度距离。其中包括全变差、Hellinger和Wasserstein距离以及Kullback-Leibler散度。我们只假设有界的似然和测量其扰动的$L^p$ -范数w.r. t。副院长在温和的假设下得到的稳定收益率的贝叶斯反问题的适定性,特别是,适定性w.r.t. Wasserstein距离此外,我们的研究结果表明,随着后验变得更加集中,贝叶斯推断的敏感性也在增加,例如,因为数据越来越准确。这证实并扩展了以前在贝叶斯推断的灵敏度分析中所作的观察。
2020-01-22 cs.NA math.NA math.PR
Necessary and Sufficient Conditions for Inverse Reinforcement Learning of Bayesian Stopping Time Problems
Cornell University(康奈尔大学)
本文提出了一种求解贝叶斯停时问题的逆强化学习~(IRL)框架。通过观察贝叶斯决策者的行为,我们提供了一个充分必要条件,以确定这些行动是否与优化成本函数一致。在贝叶斯(部分观察)设置中,逆学习器最多可以识别观察到的策略的最优性。我们的IRL算法识别最优性,然后构造成本函数的集值估计。为了实现这个IRL目标,我们使用了贝叶斯揭示的微观经济学偏好的新思想。我们说明了建议的IRL计划使用两个重要的例子停止时间问题,即顺序假设检验和贝叶斯搜索。作为一个现实世界的例子,我们说明了使用YouTube数据集,包括元数据从190000个视频如何建议IRL方法预测用户参与在线多媒体平台的高精度。最后,对于有限数据集,我们提出了一个IRL检测算法,并给出了其错误概率的有限样本界。
2023-03-15 cs.LG cs.SY econ.TH
Data-Free Likelihood-Informed Dimension Reduction of Bayesian Inverse Problems
识别一个低维的知情参数子空间提供了一个可行的路径,以减轻在基于采样的解决方案的大规模贝叶斯逆问题的维数挑战。本文提出了一种新的基于梯度的降维方法,该方法的信息子空间不依赖于数据。这允许在线-离线计算策略,其中在离线阶段检测问题的昂贵的低维结构,这意味着在观察数据之前。这种策略对于多个反演问题特别相关,因为可以重复使用相同的信息子空间。所提出的方法允许控制近似误差(在预期的数据)的后验分布。我们还提出了采样策略,利用知情子空间有效地绘制样本的确切后验分布。该方法成功地说明了两个数值例子:一个基于偏微分方程的反问题与高斯过程的先验和层析成像问题与泊松数据和Besov- $\mathcal{B}^2_{11}$先验。
2021-02-26 cs.NA math.NA stat.CO
The Bayesian approach to inverse Robin problems
本文研究逆Robin问题的贝叶斯方法,证明后验均值随观测数增加依概率收敛到真实值,对Sobolev正则系数建立对数收敛速率、对解析系数达到代数速率,并用数值实验验证收敛性质。
2023-11-29 math.AP math.ST stat.TH
A Bayesian approach for clustering skewed data using mixtures of multivariate normal-inverse Gaussian distributions
非高斯混合模型在基于混合模型的聚类中得到越来越多的关注,特别是在处理具有偏态和重尾等特征的数据时。在这里,这样的混合分布,基于多元正态逆高斯(MNIG)分布。对于混合模型的参数估计,采用基于Gibbs抽样的贝叶斯方法,提出了一种模拟单变量广义逆高斯随机变量和矩阵广义逆高斯随机矩阵的新方法.该算法将被应用到模拟和真实数据。通过仿真研究和实际数据分析,我们表明参数恢复,我们的方法提供了竞争力的聚类结果相比,其他聚类方法。
2020-05-06 stat.CO
Consistency and efficiency of Bayesian estimators in generalised linear inverse problems
将统计逆问题公式化为贝叶斯模型中的推理之一具有很大的吸引力,特别是这在一致性方面带来了什么,正则化惩罚的可解释性,所有不确定性的整合,以及可以详细说明设置的原则性方式,以涵盖更广泛的背景特征,例如测量误差,间接观察,贝叶斯公式接近于大多数科学家直观地看待推理任务的方式,并且原则上允许在概率模型构建中自由使用学科知识。然而,在某些问题的解决方案是不唯一的,例如在不适定的反问题,重要的是要了解所选择的贝叶斯模型和所得的解决方案之间的关系。以发射断层成像为例,给出了重建后验分布一致性的结果,以及研究后验分布收敛性的一般方法。为了研究约束条件下不适定线性反问题的贝叶斯推断的有效性,我们证明了非正则贝叶斯模型的Bernstein-vonMises定理。
2012-12-18 math.ST stat.TH
Certified dimension reduction in nonlinear Bayesian inverse problems
我们提出了一种降维技术的贝叶斯逆问题的非线性前向算子,非高斯先验,和非高斯观测噪声。似然函数由脊函数来近似,即,一种仅非平凡地依赖于参数的几个线性组合的映射。我们通过最小化后验分布与其近似值之间的Kullback-Leibler分歧的上界来建立这种脊近似。这个界限,通过对数Sobolev不等式获得,允许一个验证后验近似的错误。计算界需要计算对数似然函数的梯度的二阶矩矩阵。在实践中,需要对上界进行基于样本的近似。我们提供了一个分析,使控制后验近似误差,由于这种采样。与现有方法的数值和理论比较说明了所提出的方法的好处。
2022-01-28 cs.NA math.NA math.PR
A path-integral approach to Bayesian inference for inverse problems using the semiclassical approximation
我们演示了如何路径积分经常使用的理论物理问题,可以适应于提供一个机器在函数空间中执行贝叶斯推断。这样的推论自然是在研究从常微分方程或偏微分方程(ODE,PDE)中恢复连续(无限维)系数函数的反问题中,这是一个典型的不适定问题。使用$L^2$函数空间对这些问题进行正则化(Tikhonov正则化)相当于使用高斯先验的贝叶斯概率推理。逆问题正则化的贝叶斯解释是有用的,因为它允许量化和表征逆问题解决方案中的误差和精度,以及检查在解决问题时所做的假设-即正则化的主观选择是否与先验知识兼容。使用路径积分形式主义,贝叶斯推断可以通过各种微扰技术,如半经典近似,我们在这篇手稿中使用。微扰路径积分方法,同时提供了替代计算方法,如马尔可夫链蒙特卡罗(MCMC),也提供了自然的出发点MCMC方法,可用于细化近似。在这篇手稿中,我们说明了一个路径积分制定反问题,并证明它在膜生物物理学的反问题,以及潜在的理论,涉及泊松方程的反问题。
2014-07-22 hep-th math.OC math.ST
Adaptive Bayesian density estimation using Pitman-Yor or normalized inverse-Gaussian process kernel mixtures
我们考虑贝叶斯非参数密度估计使用Pitman-Yor或归一化逆高斯过程核混合作为密度的先验分布。该程序是从频率论的角度进行研究。使用棒打破皮特曼-约尔过程或表达的有限维分布的归一化逆高斯过程,我们证明了,当数据是从一个无限光滑的密度重复,后验分布集中在任何收缩$L^p$ -范数球,$1\leq p\leq\infty$,周围的采样密度在\emph{nearly parametric}率,对数因子。由此产生的分层贝叶斯过程,与一个固定的前,因此示出是自适应的采样密度的平滑度的无限。
2013-02-13 math.ST stat.TH
Deep Learning and Bayesian inference for Inverse Problems
本文探讨如何将贝叶斯深度学习用于反问题,提出利用指数族近似计算,并区分物理约束与数据驱动两种场景,以降低计算成本并量化不确定性。
2023-08-28 stat.ML
Kernel Methods for Bayesian Elliptic Inverse Problems on Manifolds
研究了流形上偏微分方程(PDE)的贝叶斯反问题的构造和实现。具体地说,我们研究的逆问题,确定扩散系数的二阶椭圆型偏微分方程的闭流形从噪声测量的解决方案。受流形学习技术的启发,我们用一个基于核的积分算子来近似椭圆微分算子,该算子可以通过蒙特卡洛离散化,而不需要参考黎曼度量。由此产生的计算方法是无网格的,易于实现,并且可以在不完全了解底层流形的情况下应用,前提是流形样本的点云可用。我们采用贝叶斯的角度来看,逆问题,并建立一个上限的全变差之间的距离的真实后验和近似后定义的核前向映射。支持的数值结果表明所提出的方法的有效性。
2019-10-23 cs.NA math.NA math.ST
Bayesian approach to inverse problems for functions with variable index Besov prior
Xi’an Jiaotong University(西安交通大学);Beijing Center for Mathematics and Information Interdisciplinary Sciences (BCMIIS)(北京数学与交叉科学中心)
本文提出了一种非高斯变量指数贝索夫先验测度,用于解决具有变量指数的贝叶斯反问题,首次将贝叶斯理论应用于分数阶反向扩散问题,以量化其不确定性。
2015-08-24 math.AP math.ST stat.TH
Probabilistic Numerical Methods for Partial Differential Equations and Bayesian Inverse Problems
本文发展了一种求解偏微分方程的概率数值方法,并研究了该方法在偏微分方程约束反问题中的应用。这种方法使具有挑战性的反问题的解决方案,同时会计,在统计原则的方式,由于PDE的数值解的离散化误差的影响。特别是,该方法赋予数值PDE求解器的故障鲁棒性,在存在大量离散化误差的情况下,统计推断被驱动为更保守。更进一步,选择偏微分方程求解器的问题被视为贝叶斯实验设计中的一个问题,其目的是最大限度地减少求解器误差对统计推断的影响;这里还考虑了非线性偏微分方程的挑战。该方法适用于参数推断问题,其中离散化误差不可忽略,必须考虑到,以达到统计上有效的结论。
2017-07-11 cs.NA math.NA math.ST
Variance-based sensitivity of Bayesian inverse problems to the prior distribution
North Carolina State University(北卡罗来纳州立大学)
本文提出了一种基于高效替代模型和定制重要性采样的方法,用于贝叶斯反问题中先验超参数对后验统计量的全局敏感性分析。
2023-11-02 stat.CO
Solution of Physics-based Bayesian Inverse Problems with Deep Generative Priors
University of Southern California(南加州大学);Stanford University(斯坦福大学)
逆问题在自然界中无处不在,几乎出现在所有科学和工程领域,从地球物理学和气候科学到天体物理学和生物力学。解决反问题的核心挑战之一是解决其不适定性。贝叶斯推断提供了一个原则性的方法来克服这一点,制定了一个统计框架的逆问题。然而,它是具有挑战性的应用时,推断具有离散表示的大尺寸(所谓的“灾难的维度”)和/或当先验信息仅在先前获得的解决方案的形式可用的字段。在这项工作中,我们提出了一种新的方法,使用深度生成模型进行高效准确的贝叶斯反演。具体来说,我们演示了如何使用生成对抗网络(GAN)学习的近似分布作为贝叶斯更新的先验,并在GAN的低维潜在空间中重新制定由此产生的推理问题,从而有效地解决大规模贝叶斯逆问题。我们的统计框架保留了基础物理,并被证明可以产生准确的结果,具有可靠的不确定性估计,即使在缺乏有关基础噪声模型的信息的情况下,这对许多现有方法来说是一个重大挑战。我们证明了所提出的方法对各种反问题,其中包括合成以及实验观察到的数据的有效性。
2022-07-25 cs.LG stat.ML
Analysis of a Computational Framework for Bayesian Inverse Problems: Ensemble Kalman Updates and MAP Estimators Under Mesh Refinement
本文分析了在加权内积空间中离散化先验与前向模型的贝叶斯反问题计算框架,建立算子范数界以保证集合卡尔曼方法和MAP估计器在网格细化下的可扩展性与精度。
2024-02-20 cs.NA math.NA stat.CO
An Efficient Bayesian Framework for Uncertainty Quantification in Nonlinear Imaging Inverse Problems
Case Western Reserve University(凯斯西储大学);IIT Gandhinagar(甘地纳加尔印度理工学院)
针对定量光声层析成像和电阻抗断层成像这两个非线性成像逆问题,基于两阶段推进方法开发高效贝叶斯框架,通过为辅助变量制定回归问题并避免MCMC采样,以较低计算成本实现准确重建和可靠不确定性估计。
2026-07-14 math.ST stat.TH
Modeling Oral Glucose Tolerance Test (OGTT) data and its Bayesian Inverse Problem
一种常见的方法来测试糖尿病是口服葡萄糖耐量试验或OGTT。大多数用于分析该测试数据的常用方法都浪费了其中包含的大部分信息。我们建议在OGTT期间使用具有常微分方程系统的房室动态模型对血糖进行建模。我们的模型在描述OGTT过程中发生的大多数情况下,只考虑4个参数。将模型拟合到数据是一个逆问题,它适合于贝叶斯推断。先验指定和后验推理结果显示使用真实数据。
2019-05-14 q-bio.TO stat.AP
A unified theory of the high-dimensional Laplace approximation with application to Bayesian inverse problems
本文提出统一的高维拉普拉斯近似精度理论,引入灵活度以获得更紧的问题特定上界,并在贝叶斯反问题示例中将界限改进一个数量级,且界限无维数依赖。
2025-09-09 math.ST stat.TH
Inverse Uncertainty Quantification using the Modular Bayesian Approach based on Gaussian Process, Part 1: Theory
在核反应堆系统设计和安全分析中,最佳估计加不确定性(BEPU)方法要求计算机模型输出的不确定性必须量化,以证明所研究的设计保持在验收标准之内。在以往的不确定性、灵敏度和验证研究中,“专家意见”和“用户自我评价”已被广泛用于指定计算机模型输入的不确定性。逆不确定性量化(UQ)是基于实验数据对输入不确定性进行逆量化的过程,以便更精确地量化输入不确定性信息的这种特定规格。在本文中,我们使用贝叶斯分析建立逆UQ公式,系统和严格推导的元模型构造的高斯过程(GP)。由于不完整或不准确的基础物理,以及数值近似误差,计算机模型在表示现实时总是存在差异/偏差,如果在逆UQ过程中忽略,则会导致过度拟合。模型偏差项在我们的公式中通过“模型更新方程”来解释。我们提供了一个详细的介绍和比较的完整的和模块化的贝叶斯方法逆UQ,以及指出他们的局限性时,外推到验证/预测域。最后,我们提出了一种改进的模块化贝叶斯方法,可以避免外推的模型差异,从逆UQ域的验证/预测域的学习。
2018-01-05 stat.CO
Posterior Contraction Rates for the Bayesian Approach to Linear Ill-Posed Inverse Problems
本文考虑了一类带高斯噪声的可分希尔伯特空间中的线性反问题的贝叶斯非参数方法。我们假设高斯先验,这是共轭的模型,并提出了一种方法来识别后验使用其精度算子。与无界精度算子的工作使我们能够使用偏微分方程(PDE)的方法来获得收缩率的后验分布的狄拉克措施为中心的真正的解决方案。我们的方法假设先验协方差,噪声协方差和前向算子之间的关系相对较弱,允许广泛的应用。
2013-08-02 math.ST stat.TH
Continuum Limit of Posteriors in Graph Bayesian Inverse Problems
我们考虑的问题,恢复一个功能的输入微分方程制定的未知域$M$。我们假设可以访问离散域$M_n=\{x_1, \dots, x_n\} \subset M$,并且可以访问这些点的$p\le n$处的输出解的噪声测量。我们引入了一个基于图的贝叶斯逆问题,并证明了图后验测度在$M_n$中的函数收敛,在大的$n$限制,后验函数在$M$,解决了已知域的贝叶斯逆问题。的证明依赖于变分制定的贝叶斯更新,并在一个新的拓扑结构上的收敛性研究的措施在点云的函数的连续函数的措施。我们的框架,技术和结果可能有助于奠定机器学习中基于图的任务的鲁棒不确定性量化的基础。并以恢复未知流形上热传导方程的初始条件为具体背景,提出了这一思路。
2017-06-22 math.AP math.PR math.SP
Preconditioning the prior to overcome saturation in Bayesian inverse problems
研究了希尔伯特空间中先验信息为高斯噪声的统计线性反问题的贝叶斯推断。我们把我们的兴趣集中在后收缩率在小噪声限制。当数据生成元件与现有技术中固有的平滑度相比过于平滑时,现有的结果遭受某种饱和现象。我们展示了如何克服这种饱和的经验贝叶斯框架,通过使用非中心的数据相关的先验。中心是从预处理正则化步骤中获得的,这为我们提供了在贝叶斯框架中使用的额外信息。我们使用正则化理论中已知的一般技术。为了强调这些发现的重要性,我们提供了几个例子。特别是,我们的方法允许获得,并使用预处理改善饱和后,在以前的研究中建立的最小最大收缩率。我们还建立极小极大收缩率的情况下,还没有考虑到目前为止。
2014-09-23 math.ST stat.TH
Bayesian Posterior Contraction Rates for Linear Severely Ill-posed Inverse Problems
考虑一类由奇异值指数衰减到零的紧算子的逆引起的线性不适定反问题。我们采用贝叶斯方法,假设高斯先验的未知函数。如果假设观测噪声是高斯分布,则该先验与似然共轭,使得后验分布也是高斯分布。研究了小观测噪声下的贝叶斯后验一致性。我们假设前向算子与先验和噪声协方差算子相互交换。我们展示了如何,对于给定的平滑假设的真相,尺度参数的先验可以调整,以优化后验收缩率的真相,我们明确计算的对数率。
2013-12-06 math.ST stat.TH
Scaling Up Bayesian Uncertainty Quantification for Inverse Problems using Deep Neural Networks
由于不确定性量化(UQ)的重要性,贝叶斯反问题方法近年来在应用数学、物理和工程领域得到了广泛的应用。然而,传统的贝叶斯推理方法基于马尔可夫链蒙特卡罗(MCMC)往往是计算密集型和效率低下的高维问题。为了解决这个问题,已经提出了几种基于代理模型的方法来加快推理过程。更具体地说,校准仿真采样(CES)计划已被证明是成功的,在大尺寸的UQ问题。在这项工作中,我们提出了一种新的CES方法的贝叶斯推断的基础上,深神经网络模型的仿真阶段。由此产生的算法在计算上更有效,并且对训练集中的变化更鲁棒。此外,通过使用自动编码器(AE)的降维,我们已经能够加快我们的贝叶斯推断方法高达三个数量级。总的来说,我们的方法,此后称为\emph{Dimension-Reduced Emulative Autoencoder Monte Carlo (DREAMC)}算法,是能够规模贝叶斯UQ高达数千维的逆问题。使用两个低维(线性和非线性)反问题,我们说明了这种方法的有效性。接下来,我们将我们的方法应用到两个高维数值例子(椭圆和对流-微分),以证明其计算优势,现有的算法。
2022-04-25 stat.CO stat.ML
Geometric Ergodicity of Gibbs Samplers in Bayesian Penalized Regression Models
我们考虑三个贝叶斯惩罚回归模型,并表明,各自的确定性扫描吉布斯采样器是几何遍历的回归问题的尺寸无关。我们证明了几何遍历的吉布斯采样贝叶斯融合套索,贝叶斯组套索,和贝叶斯稀疏组套索。几何遍历性与矩条件一起导致蒙特卡罗平均值的马尔可夫链中心极限定理的存在,并确保可靠的输出分析。我们的几何遍历性的结果,使我们也可以提供默认的吉布斯采样器的起始值。
2017-07-04 math.ST stat.CO stat.TH
Conditional Generative Models are Provably Robust: Pointwise Guarantees for Bayesian Inverse Problems
Humboldt-Universität zu Berlin(柏林洪堡大学);Technische Universität Berlin(柏林工业大学)
本文首次证明适当学习的条件生成模型在贝叶斯反问题中对单个观测值的扰动具有可证明的鲁棒性。
2024-07-19 cs.LG math.ST stat.TH
Stabilities of Shape Identification Inverse Problems in a Bayesian Framework
在贝叶斯框架下研究了一般形状识别反问题。这个问题需要从有限维观测数据中确定欧几里得空间中一个域的未知形状,这些观测数据带有一些高斯随机噪声。然后,对观测数据的后验稳定性进行了研究。对于空间的每个点,考虑该点被包括在给定观测数据的未知域中的条件概率。并对这种概率分布的稳定性进行了研究。作为我们的反问题的模型问题,热反问题被认为是。这个问题需要从热导体表面的某个部分的温度数据来确定热导体中的空腔的未知形状。为了将上述稳定性结果应用于该模型问题,需要前向算子的可测性和有界性。显示了这些属性。
2020-02-18 math.AP math.ST stat.TH
Optimal design of large-scale nonlinear Bayesian inverse problems under model uncertainty
本文针对模型不确定性下由PDE控制的大规模非线性贝叶斯反问题,提出基于贝叶斯近似误差和A-最优设计的可扩展OED框架,并通过三维椭圆PDE反问题验证其有效性。
2024-07-02 cs.NA math.NA stat.CO