Key points are not available for this paper at this time.
تصف المشكلات العكسية عملية تقدير العوامل السببية من مجموعة من القياسات أو البيانات. يعد تحويل البيانات التي تكون غالبًا غير كاملة أو متدهورة إلى معلمات عملية غير محددة بدقة، لذا يلزم وجود حلول تكرارية معتمدة على البيانات، على سبيل المثال عند إعادة بناء صور نظيفة من إشارات ضعيفة. أظهرت نماذج الانتشار وعدًا كأدوات توليدية فعالة لحل المشكلات العكسية نظرًا لجودة إعادة البناء الفائقة وتوافقها مع المحولات التكرارية. ومع ذلك، فإن معظم الأساليب الحالية تقتصر على المشكلات العكسية الخطية الممثلة كمعادلات تفاضلية عشوائية (SDEs). هذه التبسيطات لا تعالج الطبيعة التحديّة للمشكلات الواقعية، مما يؤدي إلى تضخيم الأخطاء التراكمية والانحيازات. نقدم تفسيرًا لهذه الفجوة من خلال منظور الديناميكيات المحافظة على القياس في الأنظمة الديناميكية العشوائية (RDS) التي نستخدمها لتحليل التفاوت الزمني في التوزيع (Temporal Distribution Discrepancy)، ومن ثم نقدم إطارًا نظريًا قائمًا على RDS لنماذج انتشار SDE. نكشف عن عدة استراتيجيات تعزز بطبيعتها ثبات وعُمومية نماذج الانتشار للمشكلات العكسية، ونقدم إطارًا جديدًا للانتشار المعتمد على الدرجات، نموذج التوليد الانتشاري SDE الواعي بالديناميكيات (D³GM). يمكن لخاصية المحافظة على القياس إعادة القياس المتدهور إلى الحالة الأصلية على الرغم من التدهور المعقد، باستخدام مفهوم الاستقرار في RDS. تدعم نتائجنا التجريبية الواسعة فعالية D³GM عبر عدة معايير مقارنة، بما في ذلك تطبيق بارز للمشكلات العكسية في التصوير بالرنين المغناطيسي. سيكون الكود والبيانات متاحين للجمهور.
درس Zhang et al. (الأربعاء) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: