机构名称：
¥ 2.0
最近，出现了神经网络（NN）在不确定性量化领域中的使用，因为人们经常对解决方案的统计数据感兴趣，而不仅仅是对点估计值。尤其是，贝叶斯在反问题中的方法引起了极大的兴趣。在本文中，我们有兴趣通过提出的有条件生成NNS在贝叶斯反问题中学习整个后验分布，例如（Adler＆Öktem，2018; Ardizzone et al。，2019; Batzolis et al。，2021; Hagemann等，Hagemann等，202222）解决后验度量而不是端到端重建具有多个优点，如图1.更准确地说，如果我们将高斯混合模型视为先验分布和具有加性高斯噪声的线性正向操作员，则可以明确计算后密度（红色）。显然，这些曲线相对于观察y，即我们观察到后验的连续行为也相对于零接近零的观测。特别是（样本）后验可用于提供
有条件生成模型可证明
主要关键词
相关文件推荐
