面向逆问题的神经最优实验设计
机器学习
2026-01-08 v2 机器学习
摘要
我们引入了神经最优实验设计，这是一种用于逆问题最优实验设计的基于学习的框架，避免了经典的双层优化与间接稀疏正则化。NODE 在单个优化循环中联合训练一个神经重建模型与一组固定预算的连续设计变量，这些变量表示传感器位置、采样时间或测量角度。通过直接优化测量位置而非对密集候选网格进行加权，所提出的方法从设计上实现稀疏性，消除了对 l1 调参的需求，并大幅降低了计算复杂度。我们在一个解析可处理的指数增长基准、MNIST 图像采样上验证了 NODE，并展示了其在真实世界稀疏视角 X 射线 CT 示例中的有效性。在所有情况下，NODE 均优于基线方法，展现出更高的重建精度与任务特定性能。
引用
@article{arxiv.2512.23763,
title = {Neural Optimal Design of Experiment for Inverse Problems},
author = {John E. Darges and Babak Maboudi Afkham and Matthias Chung},
journal= {arXiv preprint arXiv:2512.23763},
year = {2026}
}