用于反问题变分推断的归一化流预条件训练
机器学习
2021-01-12 v1 机器学习
地球物理
摘要
在具有昂贵正演算子的反问题中，从后验分布获取样本具有挑战性，尤其当未知量涉及强非均质地球时。为应对这些挑战，我们提出了一种预条件方案，其包含一个条件归一化流（normalizing flow, NF），能够直接从不忠实后验分布中采样。该条件 NF 用于加速高保真目标的训练，该目标涉及最小化预测的高保真后验密度与手头间接观测所期望的高保真后验密度之间的 Kullback-Leibler 散度。为最小化与正演算子相关的成本，我们用预训练的低保真 NF 的权重初始化高保真 NF，该低保真 NF 事先在可用的模型与数据对上训练。我们的数值实验，包括一个二维玩具示例和地震压缩感知示例，表明得益于预条件，与从头训练 NF 相比可实现显著的加速。
引用
@article{arxiv.2101.03709,
title = {Preconditioned training of normalizing flows for variational inference in inverse problems},
author = {Ali Siahkoohi and Gabrio Rizzuti and Mathias Louboutin and Philipp A. Witte and Felix J. Herrmann},
journal= {arXiv preprint arXiv:2101.03709},
year = {2021}
}