部分可测物理系统控制的变分框架：视觉神经科学与光学随机介质实例
机器学习
2021-10-27 v1 人工智能
图像与视频处理
摘要
为使一个物理系统表现出期望行为，要么必须事先已知其底层控制规律，要么必须对该系统本身进行精确测量。系统完整测量的复杂度随其规模增长。当暴露于实际条件（如扰动或时变设置）时，为固定工作条件校准的系统可能需要非平凡的重新校准，这一过程对于实际用例可能极其昂贵、低效且不切实际。在这项工作中，我们提出一种学习过程，以从物理系统获得期望的目标输出。我们使用变分自编码器（Variational Auto-Encoders, VAE）提供系统函数的生成模型，并利用该模型获得产生目标输出所需的系统输入。我们展示了我们的方法在光学物理与神经科学两个数据集上的适用性。
引用
@article{arxiv.2110.13228,
title = {Variational framework for partially-measured physical system control: examples of vision neuroscience and optical random media},
author = {Babak Rahmani and Demetri Psaltis and Christophe Moser},
journal= {arXiv preprint arXiv:2110.13228},
year = {2021}
}