主动推断最优测量序列
机器学习
2025-02-26 v1 机器学习
摘要
光强度等物理量的测量是许多重建和决策场景的重要组成部分，但在获取时间、对环境的侵入或破坏以及存储方面可能代价高昂。数据最小化和遵守数据保护法律也是重要考量。当可以进行一系列测量时，有些测量可能比其他测量更具信息量且更符合整体测量目标。我们开发了一种主动序贯推断算法，利用变分自编码器(VAE)的低维表示潜在空间来选择下一步进行哪项测量。我们的目标是通过尽可能少的测量来恢复高维数据。我们调整了VAE编码器，将部分测量数据映射到完整数据的潜在空间。算法从该潜在空间中采样，并使用VAE解码器根据部分测量生成数据。对生成的数据进行估计测量，并通过部分VAE编码器反馈到潜在空间，在进行测量之前进行评估。从无测量和潜在空间上的正态先验开始，我们考虑选择下一步测量和更新下一步预测后验先验的替代策略。该算法使用Fashion MNIST数据集和一种新颖的卷积哈达玛模式测量基进行演示。我们看到在10步内选择了有用的模式，引导生成图像的收敛。与使用随机变分推断为每个生成数据点单独推断后验分布参数相比，部分VAE框架可以高效处理生成数据的批次，并以最少的测量获得更优结果。
引用
@article{arxiv.2502.18142,
title = {Actively Inferring Optimal Measurement Sequences},
author = {Catherine F. Higham and Paul Henderson and Roderick Murray-Smith},
journal= {arXiv preprint arXiv:2502.18142},
year = {2025}
}