Sequential pCN-MCMC, an efficient MCMC method for Bayesian inversion of high-dimensional multi-Gaussian priors
在地质统计学中，高斯随机场常用于模拟土壤或地下参数的非均匀性。为了给出这些随机场的空间近似，将它们离散化。然后，不同的地质统计反演技术被用来对测量数据的条件。在这些技术中，马尔可夫链蒙特卡罗（MCMC）技术脱颖而出，因为它们产生渐近无偏的条件实现。然而，标准的马尔可夫链蒙特卡罗（MCMC）方法在细化离散化时遭受维数灾难。这意味着它们的效率随着离散单元数量的增加而迅速降低。已经开发了几种MCMC方法，使得MCMC效率不依赖于随机场的离散化。预条件Crank Nicolson马尔可夫链蒙特卡罗（pCN-MCMC）和顺序吉布斯（或块吉布斯）采样是两个例子。在本文中，我们将提出一个结合的pCN-MCMC和顺序吉布斯抽样。我们的算法，顺序pCN-MCMC，将取决于两个调谐参数：pCN方法的相关参数$β$和顺序吉布斯方法的块大小$κ$。原始的pCN-MCMC和吉布斯抽样算法是我们的方法的特殊情况。我们提出了一种算法，自动找到最佳的调谐参数组合（$κ$和$β$）在老化阶段的算法，从而选择最好的可能的两种方法之间的混合。在我们的测试用例中，我们实现了$1-5.5$在pCN和$1-6.5$在吉布斯的加速因子。此外，我们提供了我们的方法作为开源代码的MATLAB实现。
2021-03-24 stat.CO
Regularization by denoising: Bayesian model and Langevin-within-split Gibbs sampling
Institut Denis Poisson, University of Orléans（德尼·泊松研究所，奥尔良大学）；University of Toulouse, IRIT/INP-ENSEEIHT, CNRS（图卢兹大学，法国国家信息与自动化研究所/国立高等电子、电子技术、计算机与机械学院，法国国家科学研究中心）
本文提出一种基于去噪正则化（RED）的图像反演贝叶斯框架，并设计了内含Langevin Monte Carlo步骤的分裂Gibbs采样算法，通过去模糊等任务验证了其有效性。
2024-02-19 cs.CV cs.LG stat.ML
Hybrid Variational/Gibbs Collapsed Inference in Topic Models
University of California Irvine（加利福尼亚大学欧文分校）；University College London（伦敦大学学院）；Radboud University Nijmegen（拉德堡德大学）
变分贝叶斯推理和（塌陷）吉布斯抽样是贝叶斯网络的两类重要的推理算法。两者都有其优点和缺点：塌陷吉布斯采样是无偏的，但对于大计数值也是低效的，并且需要对许多样本进行平均以减少方差。另一方面，变分贝叶斯推理是有效的，准确的大计数值，但遭受小计数的偏见。我们提出了一种混合算法，结合了两个世界的最佳：它的样本非常小的计数和应用变分更新大计数。这种杂交显着提高测试集的困惑相对于变分推理在没有计算成本。
2012-06-13 cs.LG stat.ML
Approximate blocked Gibbs sampling for Bayesian neural networks
The University of Manchester（曼彻斯特大学）
本文提出近似分块 Gibbs 采样以提升前馈神经网络小批量 MCMC 的可行性，通过参数分组与深层降方差缓解深度增加导致的接受率消失，从而支持更长链运行并改善分类准确率与不确定性量化。
2023-07-24 cs.LG stat.CO stat.ME
Adaptive ABC model choice and geometric summary statistics for hidden Gibbs random fields
在隐马尔可夫随机场的不同依赖结构之间进行选择是非常具有挑战性的，这是由于可能性中的难以处理的归一化常数。我们用近似贝叶斯计算（ABC）来回答这个问题，它提供了贝叶斯范式中的模型选择方法。这是在Grelaud等人（2009）的工作之后，他们展示了直接观察到的吉布斯随机场的充分统计量。但当随机场是潜场时，充分性下降，我们用几何汇总统计量来补充。构建这些直观的统计数据的一般方法依赖于基于观察到的颜色和合理的潜图的网站的聚类分析。基于这些统计量的ABC模型选择的效率通过可能具有独立兴趣的局部误差率来评估。作为一个副产品，我们推导出了一个ABC算法，该算法可以在不扭曲模型选择的情况下将汇总统计量的维度调整到数据集。
2014-07-16 math.ST stat.CO stat.TH
Lasso Regression: Estimation and Shrinkage via Limit of Gibbs Sampling
套索的应用是支持在高维设置，只有少数的回归系数被认为是非零的。此外，高维Lasso估计的统计性质通常是在预测变量之间的相关性有界的假设下证明的。在这种情况下，坐标方式的方法，最常见的手段计算套索解决方案，以及在存在低到中等的多重共线性。然而，随着稀疏性的降低和多重共线性的增加，坐标算法的计算速度降低。出于这些限制，我们提出了新的“确定性贝叶斯套索”算法计算套索解决方案。该算法是通过考虑限制版本的贝叶斯套索。确定性贝叶斯套索的性能随着稀疏性的降低和多重共线性的增加而提高，并且可以大幅提高计算速度。一个严格的理论分析表明，（1）确定性贝叶斯套索算法收敛到套索解，（2）它导致了一个表示的套索估计，显示它如何实现两个$\ell_1$和$\ell_2$类型的收缩同时。还提供了与其他算法的连接。确定性贝叶斯套索算法的好处，然后说明模拟和真实数据。
2015-01-06 stat.ME
Heron Inference for Bayesian Graphical Models
Nanyang Technological University（南洋理工大学）；National University of Singapore（新加坡国立大学）；Institute for Infocomm Research（信息通信研究院）
贝叶斯图模型在许多应用领域中已被证明是从真实世界数据中发现不确定性和因果结构的有力工具。目前的推理方法主要遵循计算复杂性和预测精度之间的不同类型的权衡。在光谱的一端，变分推理方法在计算效率方面表现良好，而在另一端，吉布斯采样方法在实践中被认为是相对准确的预测。在本文中，我们扩展了现有的吉布斯抽样方法，并提出了一个新的确定性苍鹭推理（苍鹭）的家庭贝叶斯图模型。除了对非平凡可分布性的支持之外，Heron的另一个好处是它不仅能够让我们轻松地评估收敛状态，而且还可以大大提高运行效率。我们评估苍鹭对标准的崩溃吉布斯采样器和国家的最先进的状态增强方法在推理著名的图形模型。使用公开的真实数据的实验结果表明，苍鹭显着优于基线方法推断贝叶斯图形模型。
2018-02-19 cs.LG stat.ML
Online but Accurate Inference for Latent Variable Models with Local Gibbs Sampling
Technicolor（特艺集团）；INRIA（法国国家信息与自动化研究所）
我们研究大规模潜变量模型中的参数推断。我们首先提出了一个统一的治疗在线推理的潜变量模型从一个非典型的指数家庭，并绘制明确的链接之前提出的几个频率或贝叶斯方法。然后，我们提出了一种新的推理方法的频率估计的参数，适应MCMC方法在线推理的潜变量模型与适当使用的本地吉布斯抽样。然后，对于潜在的Dirich-let分配，我们提供了一组广泛的实验和与现有工作的比较，我们的新方法优于所有以前提出的方法。特别是，使用吉布斯抽样潜变量推理优于变分推理的测试对数似然。此外，贝叶斯推理通过变分方法执行差，有时会导致更高维度的潜在变量更差的拟合。
2018-01-31 cs.LG stat.ML
Fast Gibbs Sampling on Bayesian Hidden Markov Model with Missing Observations
The Chinese University of Hong Kong（香港中文大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
本文提出了一种在存在缺失观测时快速进行贝叶斯隐马尔可夫模型采样的方法，通过整合缺失观测和潜在状态，提高了计算效率和采样精度。
2026-01-04 cs.LG stat.ME stat.ML
Bregman geometry-aware split Gibbs sampling for Bayesian Poisson inverse problems
Institut Denis Poisson（德尼·泊松研究所）；CNRS（法国国家科学研究中心）；University of Tours（图尔大学）；Univ Rouen Normandie（鲁昂诺曼底大学）；INSA Rouen Normandie（鲁昂诺曼底国立应用科学学院）；Normandie Univ（诺曼底大学）；LITIS（信息、信号与图像处理实验室）；University of Toulouse（图卢兹大学）；IRIT（图卢兹计算机研究所）；INP-ENSEEIHT（图卢兹国立综合理工学院-高等电力、电子、计算机、水力与电信学院）；CEA（法国原子能和替代能源委员会）；University of Paris-Saclay（巴黎萨克雷大学）
针对泊松逆问题的非利普希茨梯度、正定性约束等挑战，本文提出Bregman几何感知的分裂吉布斯采样贝叶斯框架，结合数据增强与HRLMC算法，在多类成像任务上取得了有竞争力的重建性能。
2026-09-29 cs.CV eess.IV stat.CO
Is Gibbs sampling faster than Hamiltonian Monte Carlo on GLMs?
本文通过利用计算图结构将GLMs的Gibbs采样时间复杂度从O(d²)降至O(d)，证明其在维度扩展上优于HMC，同时指出HMC在条件数扩展方面仍有优势，两者互不占优。
2025-03-12 stat.CO stat.ME
Diffusive Gibbs Sampling
University of Cambridge（剑桥大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University College London（伦敦大学学院）
针对传统MCMC在多模态分布上混合不足的问题，提出扩散吉布斯采样（DiGS），利用高斯卷积桥接模态并交替采样，显著提升混合性能，优于并行回火等方法。
2024-05-29 cs.LG stat.CO stat.ML
Stability of Gibbs Posteriors from the Wasserstein Loss for Bayesian Full Waveform Inversion
最近，Wasserstein损失函数被证明是有效的，当应用于确定性全波形反演（FWI）问题。我们考虑应用这个损失函数在贝叶斯FWI，使不确定性可以捕获的解决方案。为了比较，还考虑了在实践中常用的其他损失函数。在对先验和模型的弱假设下，证明了所得Gibbs后验在函数空间上的存在性和稳定性。特别是，所产生的Wasserstein损失的分布被证明是相当稳定的高频噪声的数据。然后，我们用数值方法说明了所得分布之间的差异，使用拉普拉斯近似来估计未知的速度场和与估计相关的不确定性。
2021-04-16 cs.NA math.NA math.ST
ABC likelihood-freee methods for model choice in Gibbs random fields
吉布斯随机场（GRF）是多态的统计模型，可用于分析不同类型的依赖，特别是空间相关的数据。然而，当这些模型面临的挑战，选择一个依赖结构，从许多，标准的模型选择方法的使用受到阻碍的吉布斯似然的归一化常数的不可用。特别是，从贝叶斯的角度来看，在竞争下的模型的后验概率的计算需要特殊的似然自由模拟技术，如近似贝叶斯计算（ABC）算法，这是密集使用在人口遗传学。我们在本文中展示了如何实现ABC算法面向模型选择的吉布斯随机场的一般设置，特别是证明存在一个充分统计量跨模型。通过对模型分布进行重要性抽样，可以进一步提高后验概率逼近的准确性。该方法的实际方面详细通过两个应用程序，一个iid伯努利模型与一阶马尔可夫链的测试，和两个蛋白质的折叠结构的选择。
2009-04-03 stat.CO stat.ME
Prune Sampling: a MCMC inference technique for discrete and deterministic Bayesian networks
TNO（荷兰应用科学研究组织）；Utrecht University（乌得勒支大学）；University of Amsterdam（阿姆斯特丹大学）
本文介绍了马尔可夫链蒙特卡罗（MCMC）推理方法Prune Sampling，并对它在离散和确定性贝叶斯网络（BN）中的性能进行了分析。我们开发了一个程序，以获得性能的MCMC采样方法在无限的模拟时间的限制，从相对较短的模拟外推。这种方法被用来进行一项研究，以比较准确性，收敛速度和时间消耗的修剪采样与两个传统的MCMC采样方法：吉布斯和大都会采样。我们发现，修剪采样创建的马尔可夫链总是收敛到所需的后验分布，也为传统的吉布斯抽样失败的网络。除此之外，我们证明了修剪优于吉布斯抽样，至少对于某一类BN。不过，这个诱人的功能是有代价的。在Prune Sampling的第一个版本中，对于大BN，统一选择下一个迭代步骤的过程是相当耗时的。我们的结论是，修剪采样是所有类型的小型和中型BN的竞争力的方法，但（现在）标准方法仍然表现更好的所有类型的大型BN。
2019-08-17 cs.AI cs.LG stat.CO
Bayesian inversion for the identification of the doping profile in unipolar semiconductor devices
本文提出基于贝叶斯反演的掺杂分布识别方法，利用预条件Crank-Nicolson MCMC和物理信息先验，从电压-电流测量重建掺杂分布，并在二维二极管上验证有效性。
2024-08-21 cs.NA math.NA math.PR
Global-Local Forward Models within Bayesian Inversion for Large Strain Fracturing in Porous Media
本文提出一种基于全局-局部正演模型的贝叶斯反演方法，通过非侵入式GL方法替代高保真模拟，并结合Neo-Hookean应变能函数扩展至大变形设定，以高效识别孔隙介质水力压裂的材料参数。
2023-04-08 cs.NA math.NA
Data-Driven Forward Discretizations for Bayesian Inversion
本文提出了一个框架，学习昂贵的前向模型的离散化贝叶斯逆问题。其主要思想是将离散化的参数作为贝叶斯机器中待估计的未知数的一部分。我们数值计算表明，在机械工程，信号处理和地球科学中出现的各种反问题，观测包含有用的信息，以指导离散化的选择。
2020-08-21 cs.NA math.NA stat.CO
Local MALA-within-Gibbs for Bayesian image deblurring with total variation prior
本文提出局部 MALA-within-Gibbs（MLwG）采样算法，通过利用后验的稀疏条件结构和分块 Gibbs 采样解决高分辨率图像去模糊中的高维采样难题，并证明其具有维度无关的接受率与收敛速率。
2025-03-12 cs.NA math.NA
A Bayesian framework for spectral reprojection
针对傅里叶部分和处理非周期函数时的吉布斯现象及噪声、龙格现象影响Gegenbauer重建质量的问题，提出谱重投影贝叶斯框架，可统计分析噪声影响、提升参数鲁棒性并量化解的不确定性。
2024-06-23 cs.NA math.NA
Bayesian Inversion for Anisotropic Hydraulic Phase-Field Fracture
在这项工作中，贝叶斯反演框架水力相场横观各向同性和正交各向异性裂缝。其中，三个主要场是压力场、位移场和相位场，而方向相关的响应被强制执行（通过类似惩罚的参数）。引入了一种新的裂纹驱动状态函数，避免了各向异性能中可压缩部分的退化。对于贝叶斯反演，我们采用延迟拒绝自适应大都会（DRAM）算法来识别参数。我们调整算法以根据水力压裂观测来估计参数，即，最大压力。重点是从不同的变量，包括弹性模量，Biot系数，Biot的模量，动态流体粘度，和格里菲斯的能量释放率的情况下，各向同性的水力压裂，而在各向异性的设置，我们确定额外的惩罚一样的参数所产生的不确定性。几个数值例子来证实我们的算法的发展。
2020-07-29 cs.CE cs.NA math.NA
A novel viewpoint for Bayesian inversion based on the Poisson point process
提出基于泊松点过程的贝叶斯反演框架，将后验分布视为PPP强度测度，结合核密度估计与叠加性质实现高效采样，生成独立同分布样本以改进反问题分析。
2025-10-07 cs.NA math.NA
Bayesian Inversion with Neural Operator (BINO) for Modeling Subdiffusion: Forward and Inverse Problems
Shanghai Jiao Tong University（上海交通大学）
分数阶扩散方程是模拟复杂系统中反常扩散的有效工具。然而，传统的数值方法由于时间分数阶导数卷积积分带来的记忆效应，需要昂贵的计算成本和存储资源。我们提出了一个贝叶斯反演与神经算子（BINO），以克服在传统方法的困难如下。我们采用深度算子网络来学习分数扩散方程的解算子，使我们能够快速精确地解决给定输入（包括分数阶，扩散系数，源项等）的正问题。此外，我们将深度算子网络与贝叶斯反演方法相结合，用于通过子扩散过程对问题进行建模并解决逆子扩散问题，从而显着降低了时间成本（而不会遭受存储资源过载）。大量的数值实验表明，本文提出的算子学习方法可以有效地求解次扩散方程的正问题和贝叶斯反问题.
2022-11-22 cs.LG cs.NA math.NA
Optimal and scalable methods to approximate the solutions of large-scale Bayesian problems: Theory and application to atmospheric inversions and data assimilation
本文对高维（>10^6）线性贝叶斯问题的近似解方法进行了详细的理论分析。一个最佳的低秩投影，最大限度地提高了贝叶斯反演的信息内容，并有效地使用可扩展的随机SVD算法构造。建立了相关的后验误差协方差矩阵和后验均值近似，这是进一步研究的数值实验组成的一个大规模的大气示踪剂输运源反演问题的有用的最优性结果。该方法被证明是一种鲁棒和有效的降维方法，以及一个自然的框架来分析反演的信息内容。这种方法的非线性框架中的业务数值天气预报数据同化系统的增量4D-Var技术的基础上可能的扩展进行了讨论，并提出了一个新的随机增量最优技术（RIOT）的4D-Var算法利用我们的理论结果的详细实施。
2016-09-21 cs.NA math.NA physics.ao-ph
Q-Hermite polynomials chaos approximation of likelihood function based on q-Gaussian prior in Bayesian inversion
University of Electronic Science and Technology of China（电子科技大学）；Southwest Jiaotong University（西南交通大学）
本文基于q-高斯先验分布，利用q-赫尔米特多项式混沌近似方法加速后验分布采样，并研究近似似然函数与截断先验分布下后验分布的KL散度收敛性，同时获得总变差和Hellinger度量下的收敛性。
2018-08-03 cs.NA math.NA
A unified Bayesian inversion approach for a class of tumor growth models with different pressure laws
本文研究由多孔介质型方程描述的肿瘤生长模型的数据同化问题，采用贝叶斯反演框架从含噪观测中推断未知参数，建立适定性与稳定性理论，证明不可压缩极限下的后验收敛，并提出一种通用的数值推断框架，在 $m\in[2,\infty)$ 范围内实现一致的推断精度。
2024-02-13 cs.NA math.NA
Quasi-Monte Carlo for Bayesian shape inversion governed by the Poisson problem subject to Gevrey regular domain deformations
University of Oxford（牛津大学）；Free University of Berlin（柏林自由大学）；LUT University（拉普兰理工大学）
针对泊松方程下Gevrey正则参数化域不确定性的贝叶斯形状反演，采用拟蒙特卡洛积分规则，分析后验分布的参数正则性，设计随机移位秩1格规则实现维数无关、优于蒙特卡洛的收敛速度，并考虑维数截断和有限元离散误差。
2026-07-01 cs.NA math.NA
A-posteriori QMC-FEM error estimation for Bayesian inversion and optimal control with entropic risk measure
本文针对贝叶斯反演和带熵风险测度的最优控制中高维积分比值问题，提出结合QMC误差分析与有限元后验估计的新方法，得到对离散化和参数维数均鲁棒的可计算后验估计量。
2023-07-06 cs.NA math.NA
Domain-decomposed Bayesian inversion based on local Karhunen-Loève expansions
在许多贝叶斯逆问题中，目标是恢复空间变化的随机场。这样的问题往往是计算上的挑战，特别是当正演模型是由复杂的偏微分方程（PDE）。当空间域很大并且未知的随机场需要用高维参数表示时，这一挑战尤其严峻。在本文中，我们提出了一个域分解的方法来解决的维数问题，该方法同时分解的空间域和参数域。在每个子域上，构造局部Karhunen-Lo`eve（KL）展开，并以并行方式独立地解决局部反演问题，更重要的是，在低维空间中。通过对子域进行马尔可夫链蒙特卡罗（MCMC）模拟生成局部后验样本后，提出了一种新的投影方法来有效地重建全局场.此外，对区域分解中的交界条件采用基于高斯过程的自适应拟合策略进行处理。数值例子证明了所提出的方法的性能。
2022-11-08 cs.NA math.NA
Planar Curve Registration using Bayesian Inversion
Technical University of Denmark（丹麦技术大学）；Imperial College London（伦敦帝国理工学院）；Baylor University（贝勒大学）
本文将闭合平面曲线匹配建模为贝叶斯反问题，结合LDDMM、Wu-Xu元与集成Kalman反演，提出了一种参数化无关且网格无关的曲线配准方法。
2023-07-10 cs.CV cs.NA math.NA
The Bayesian Inversion Problem for Thermal Average Sampling of Quantum Systems
在这篇文章中，我们提出了一种新的方法来采样势函数的基础上的噪声观测数据的有限数量的观测量的量子正则系综，这导致了广泛的测试观测量的准确采样。该方法基于贝叶斯反演框架，为分析后验分布提供了一个平台，自然地导致了一个高效的数值采样算法。我们强调，稳定性估计是通过以下方式处理的潜在功能作为中间变量：训练观测量的两组观测数据之间的差异可以约束相应的势函数的后验分布之间的距离，而后者自然会导致相应的测试观测量的热平均值之间的差异的一个界限。此外，训练观测量可以更灵活的局部密度函数的有限样本，这主要是在以前的研究中使用。该方法也适用于非绝热区的多能级量子系统。此外，我们提供了广泛的数值试验，以验证所提出的算法的准确性和效率。
2020-02-20 cs.NA math.NA
A deep surrogate approach to efficient Bayesian inversion in PDE and integral equation models
University of Bath（巴斯大学）
我们研究了一种深度学习方法，用于在潜在高维参数空间上的偏微分方程（PDE）和积分方程模型中有效地执行贝叶斯推断。本文的贡献是双重的，首先是引入神经网络方法来近似的解决方案的Fredholm和Volterra积分方程的第一和第二类。第二个是开发一种新的、高效的基于深度学习的贝叶斯反演方法，应用于可由偏微分方程或积分方程描述的问题。为了实现这一目标，我们引入了一个代理模型，并演示了如何使有效的抽样贝叶斯后验分布的可能性依赖于偏微分方程或积分方程的解决方案。我们的方法依赖于神经网络的参数解的直接逼近，而不需要传统的数值求解。这种深度学习方法允许在比使用经典离散化方案更高的维度上精确和有效地近似参数解。由于近似解的计算成本较低，因此利用马尔可夫链蒙特卡罗方法求解大参数空间上的贝叶斯反问题是有效的。我们证明了我们的方法的性能，使用两个现实世界的例子，其中包括贝叶斯推理的PDE和积分方程的情况下，从电化学的例子，和贝叶斯推理的函数值的传热参数在航空中的应用。
2021-03-25 cs.LG cs.NA math.NA
Multilevel Markov Chain Monte Carlo with likelihood scaling for Bayesian inversion with high-resolution observations
本文提出一种结合似然缩放的多层MCMC方法，用于高分辨率数据下PDE随机场参数的贝叶斯反演，在保持与层级无关方法相同收敛速率的同时显著降低计算成本，并通过二维平面应力问题验证了有效性。
2025-01-09 cs.NA math.NA
Beyond Independence: on Jointly Normal Priors in Bayesian Inversion
University of Auckland（奥克兰大学）；Rocsole Limited（罗克索尔有限公司）；University of Eastern Finland（芬兰东部大学）
本文提出一种联合正态先验模型，用于贝叶斯反演中多个未知参数的联合倒置，通过保留边际分布并允许空间变化的交叉相关性，提升参数间相关性的建模能力。
2026-05-01 cs.NA math.NA stat.ME
Bayesian inversion for nanowire field-effect sensors
纳米线场效应传感器最近已经被开发用于生物分子的无标记检测。在这项工作中，我们介绍了一种计算技术的基础上贝叶斯估计，以确定传感器的物理参数，更重要的是，分析物分子的属性。为此，我们首先提出了一个基于偏微分方程的模型来模拟器件的电荷传输和电化学行为。然后，采用具有延迟拒绝的自适应Metropolis算法（DRAM）估计未知参数的后验分布，即分子电荷密度、分子密度、掺杂浓度、电子和空穴迁移率。我们同时确定了器件和分子的性质，并且在确定了器件参数之后，我们还计算了分子密度作为唯一的参数。这种方法不仅可以确定未知参数，而且还可以通过产生密度函数（pdf）来显示每个参数的确定程度。
2019-10-26 cs.NA eess.SP math.NA
DeepONet-accelerated Bayesian inversion for moving boundary problems
School of Mathematical Sciences, University of Nottingham, UK（数学科学学院，诺丁汉大学）
本文提出基于DeepONet的加速贝叶斯反演方法，用于解决移动边界问题，通过高效替代模型提升反演效率，适用于复合材料制造中的RTM工艺监控。
2025-12-23 cs.LG cs.NA math.NA
Algebraic signal sampling, Gibbs phenomenon and Prony-type systems
Weizmann Institute of Science（魏茨曼科学研究所）
本文提出了一种解决普朗尼型系统的新方法，通过在算术级数上采样信号，保持方程数量小且固定，从而提高重建精度，并解决了Eckhoff猜想，消除吉布斯现象。
2013-06-05 cs.IT cs.NA math.CA
