[論文レビュー] The Ensemble Inverse Problem: Applications and Methods

Zhengyan Huan, Camila Pazos+4 more|arXiv (Cornell University)|Jan 29, 2026

Generative Adversarial Networks and Image Synthesis被引用数 0

ひとこと要約

本論文は Ensemble Inverse Problem (EIP) を導入し、推論時に明示的な前方モデルの使用なしで事後を推定するための観測アンサンブルを利用する非反復的後方サンプラーとして ensemble inverse generative models (EI-DDPM and EI-FM) を提案します。

ABSTRACT

We introduce a new multivariate statistical problem that we refer to as the Ensemble Inverse Problem (EIP). The aim of EIP is to invert for an ensemble that is distributed according to the pushforward of a prior under a forward process. In high energy physics (HEP), this is related to a widely known problem called unfolding, which aims to reconstruct the true physics distribution of quantities, such as momentum and angle, from measurements that are distorted by detector effects. In recent applications, the EIP also arises in full waveform inversion (FWI) and inverse imaging with unknown priors. We propose non-iterative inference-time methods that construct posterior samplers based on a new class of conditional generative models, which we call ensemble inverse generative models. For the posterior modeling, these models additionally use the ensemble information contained in the observation set on top of single measurements. Unlike existing methods, our proposed methods avoid explicit and iterative use of the forward model at inference time via training across several sets of truth-observation pairs that are consistent with the same forward model, but originate from a wide range of priors. We demonstrate that this training procedure implicitly encodes the likelihood model. The use of ensemble information helps posterior inference and enables generalization to unseen priors. We benchmark the proposed method on several synthetic and real datasets in inverse imaging, HEP, and FWI. The codes are available at https://github.com/ZhengyanHuan/The-Ensemble-Inverse-Problem--Applications-and-Methods.

研究の動機と目的

• プッシュフォワードによって分布する事前から逆算するという Ensemble Inverse Problem (EIP) を定義・動機づける。
• 単一の測定と観測アンサンブルの両方に条件付けして、事前分布または事後分布を回復する非反復的後方サンプラーを開発する。
• inverse imaging、ハイエネルギー物理学の展開、地震の全波形反演にわたって未知の前方モデルや未見の priors に対する一般化を示す。
• ベースラインと比較し、推論時の明示的な前方モデルアクセスなしで後方推定を改善することを示す。

提案手法

• EI-DDPM および EI-FM を、y を単一の観測、Y を観測セットとする p(x|y, Y) をモデル化する条件付き生成モデルとして導入する。
• アンサンブル情報 Y を、順列不変ニューラルネットワーク phi_w を用いて固定サイズの表現にエンコードする。
• D から真値と観測の対をサンプリングして、尤度 p(y|x) を暗黙的にエンコードしつつ、複数の事前分布に渡ってモデルを訓練する。
• 推論時に非反復的な事後サンプリングを可能にするため、条件付き拡散過程（EI-DDPM）または条件付きフロー整合（EI-FM）を用いる。
• phi_w(Y) を条件付け変数として組み込み、未知の priors に対して後方を一般化可能とする。
• EI-DDPM および EI-FM の訓練およびサンプリングアルゴリズム（Alg. 1 と Alg. 2）、集合エンコーディングおよび時刻ステップ処理を含む。

(a) Forward process

実験結果

リサーチクエスチョン

• RQ1 同じ前方過程から得られた未知の priors のアンサンブル Y を、推論時に利用して p(x|y) または p(x|y, Y) から正確にサンプリングできるか。
• RQ2 Y を順列不変表現でエンコードすることは、未見の priors や異種前方モデル設定への一般化を可能にするか。
• RQ3 EI-DDPM および EI-FM は、inverse imaging、ハイエネルギー物理学の展開、地震の FWI などの既存の展開・逆問題法と比較してどうか。
• RQ4 非反復的でアンサンブル条件付きの生成モデルは、推論時の明示的な前方モデル評価を回避しつつ、再構成品質を保つまたは向上させるか。

主な発見

• EI-DDPM および EI-FM は、複数のベースラインと比較して優れた事後推論と未見 priors への一般化を達成。
• アンサンブル表現 phi_w(Y) は効果的な条件付けを可能にし、推論時に直接の priors 知識や前方モデルアクセスがなくても性能を向上。
• 合成タスク（摂動された 2D ガウス分布、MNIST 風の画像混合）と実データ領域（HEP 展開、地震の FWI）において、EI-DDPM/EI-FM は cDDPM、cFM、その他の競合手法を上回る。
• 2D ガウス実験における未見 priors への強い一般化を EI-FM が示し、prior 情報を直接持つモデルと同等の SWD 指標を達成。
• 粒子物理の展開と地震の FWI 実験で、EI-FDPM/EI-FM はベースラインよりも WD などの距離指標が低く、MAE/MSE/SSIM も良好で、アンサンブル情報の効果的な埋め込みを示唆。

(b) EIP-II’s solution