在数据驱动先验反问题中识别幻觉
天体物理仪器与方法
2023-06-26 v1
摘要
用深度神经网络求解反问题时，幻觉是不可避免的后果。近期生成模型的表现力是它们能产出远优于传统正则化结果的原因；它也可能导致看似真实但错误的特征，潜在地削弱对重建重要方面的信任。我们提出一种实用且计算高效的方法，以确定在数据驱动先验的反问题解中哪些区域易于产生幻觉。通过分别计算似然与数据驱动先验的 Fisher 信息矩阵的对角元素，我们可以标记出信息由先验主导的区域。我们的诊断可直接与重建解比较，并使用户能够判断这些区域的测量对其应用是否稳健。我们的方法随参数数量线性缩放，因此适用于高维设置，使其能为未来宽视场巡天的大体量数据产品广泛部署。
引用
@article{arxiv.2306.13272,
title = {Spotting Hallucinations in Inverse Problems with Data-Driven Priors},
author = {Matt L. Sampson and Peter Melchior},
journal= {arXiv preprint arXiv:2306.13272},
year = {2023}
}
备注
7 pages 3 figures, Accepted at the ICML 2023 Workshop on Machine Learning for Astrophysics