Search research articles

お問い合わせ

JoVEについて

概要リーダーシップブログ JoVEヘルプセンター

著者向け

出版プロセス編集委員会範囲と方針査読よくある質問投稿

図書館員向け

推薦の声購読アクセスリソース図書館諮問委員会よくある質問

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments アーカイブ

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教員リソースセンター教員サイト

プライバシーポリシー

関連する概念動画

Propagation of Uncertainty from Random Error

Propagation of Uncertainty from Random Error

An experiment often consists of more than a single step. In this case, measurements at each step give rise to uncertainty. Because the measurements occur in successive steps, the uncertainty in one step necessarily contributes to that in the subsequent step. As we perform statistical analysis on these types of experiments, we must learn to account for the propagation of uncertainty from one step to the next. The propagation of uncertainty depends on the type of arithmetic operation performed on...

Propagation of Uncertainty from Systematic Error

Propagation of Uncertainty from Systematic Error

The atomic mass of an element varies due to the relative ratio of its isotopes. A sample's relative proportion of oxygen isotopes influences its average atomic mass. For instance, if we were to measure the atomic mass of oxygen from a sample, the mass would be a weighted average of the isotopic masses of oxygen in that sample. Since a single sample is not likely to perfectly reflect the true atomic mass of oxygen for all the molecules of oxygen on Earth, the mass we obtain from this...

Linear Approximation in Time Domain

Linear Approximation in Time Domain

Nonlinear systems often require sophisticated approaches for accurate modeling and analysis, with state-space representation being particularly effective. This method is especially useful for systems where variables and parameters vary with time or operating conditions, such as in a simple pendulum or a translational mechanical system with nonlinear springs.
For a simple pendulum with a mass evenly distributed along its length and the center of mass located at half the pendulum's length,...

Linear Approximation in Frequency Domain

Linear Approximation in Frequency Domain

Linear systems are characterized by two main properties: superposition and homogeneity. Superposition allows the response to multiple inputs to be the sum of the responses to each individual input. Homogeneity ensures that scaling an input by a scalar results in the response being scaled by the same scalar.
In contrast, nonlinear systems do not inherently possess these properties. However, for small deviations around an operating point, a nonlinear system can often be approximated as linear....

Residuals and Least-Squares Property

Residuals and Least-Squares Property

The vertical distance between the actual value of y and the estimated value of y. In other words, it measures the vertical distance between the actual data point and the predicted point on the line
If the observed data point lies above the line, the residual is positive, and the line underestimates the actual data value for y. If the observed data point lies below the line, the residual is negative, and the line overestimates the actual data value for y.
The process of fitting the best-fit...

Estimation of the Physical Quantities

Estimation of the Physical Quantities

On many occasions, physicists, other scientists, and engineers need to make estimates of a particular quantity. These are sometimes referred to as guesstimates, order-of-magnitude approximations, back-of-the-envelope calculations, or Fermi calculations. The physicist Enrico Fermi was famous for his ability to estimate various kinds of data with surprising precision. Estimating does not mean guessing a number or a formula at random. Instead, estimation means using prior experience and sound...

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え

Same author

Magnetocardiography to screen adults with arrhythmogenic cardiomyopathy: A feasibility study.

American heart journal plus : cardiology research and practice·2026

Same author

Gradient Descent Provably Solves Nonlinear Tomographic Reconstruction.

IEEE transactions on information theory·2026

Same author

Hyperphantasia: A Benchmark for Evaluating the Mental Visualization Capabilities of Multimodal LLMs.

Advances in neural information processing systems·2026

Same author

The Rich and the Simple: On the Implicit Bias of Adam and SGD.

Advances in neural information processing systems·2026

Same author

Emergence and Evolution of Interpretable Concepts in Diffusion Models.

Advances in neural information processing systems·2026

Same author

MosaicMRI: A Diverse Dataset and Benchmark for Raw Musculoskeletal MRI.

ArXiv·2026

Search research articles

関連する実験動画

Updated: Jan 8, 2026

Psychophysically-anchored, Robust Thresholding in Studying Pain-related Lateralization of Oscillatory Prestimulus Activity

Psychophysically-anchored, Robust Thresholding in Studying Pain-related Lateralization of Oscillatory Prestimulus Activity

Published on: January 21, 2017

学習による逆問題のための証明可能なロバスト推定器の獲得：ジッタリングを用いて

Anselm Krainovic¹, Mahdi Soltanolkotabi², Reinhard Heckel¹

¹Department of Computer Engineering, Technical University of Munich.

Advances in neural information processing systems

|December 24, 2025

まとめ

ノイズ付加技術であるジッタリングは、最悪ケースのロバスト画像ノイズ除去のためのディープニューラルネットワークの効果的な訓練を可能にします。しかし、その最適性は、デコンボリューションやMRIのようなより複雑な逆問題に対しては低下します。

キーワード:

ジッタリング逆問題ロバスト性ディープラーニング画像処理

さらに関連する動画

Measurement of Spatial Stability in Precision Grip

Measurement of Spatial Stability in Precision Grip

Published on: June 4, 2020

A Methodology for Capturing Joint Visual Attention Using Mobile Eye-Trackers

A Methodology for Capturing Joint Visual Attention Using Mobile Eye-Trackers

Published on: January 18, 2020

関連する実験動画

Last Updated: Jan 8, 2026

Psychophysically-anchored, Robust Thresholding in Studying Pain-related Lateralization of Oscillatory Prestimulus Activity

Psychophysically-anchored, Robust Thresholding in Studying Pain-related Lateralization of Oscillatory Prestimulus Activity

Published on: January 21, 2017

Measurement of Spatial Stability in Precision Grip

Measurement of Spatial Stability in Precision Grip

Published on: June 4, 2020

A Methodology for Capturing Joint Visual Attention Using Mobile Eye-Trackers

A Methodology for Capturing Joint Visual Attention Using Mobile Eye-Trackers

Published on: January 18, 2020

科学分野:

人工知能
機械学習
コンピュータビジョン

背景:

ディープニューラルネットワークは逆問題において優れた性能を発揮しますが、最悪ケースの摂動に対して脆弱です。
これらのネットワークのロバスト性、特に逆問題に対するロバスト性は、依然として重要な研究課題です。

研究の目的:

逆問題のための最悪ケースのロバストなディープニューラルネットワークを訓練するための正則化技術であるジッタリングの有効性を調査すること。
線形ノイズ除去のための最適な最悪ケースのロバスト推定器を分析的に特徴付け、ジッタリングの性能を評価すること。

主な方法:

線形ノイズ除去のための$\ell_2$-最悪ケースロバスト推定器の分析的特徴付け。
画像ノイズ除去、デコンボリューション、および加速MRIのためのディープニューラルネットワーク（U-net）を使用したジッタリングの経験的評価。

主要な成果:

ジッタリングは、線形ノイズ除去タスクにおいて最適なロバストノイズ除去器をもたらします。
経験的結果は、ジッタリングが画像ノイズ除去、デコンボリューション、およびMRIにおける最悪ケースのロバスト性を大幅に向上させることを示しています。
ジッタリングは、単純なノイズ除去を超える逆問題に対しては最適ではない可能性があります。

結論:

ジッタリングは、逆問題、特にノイズ除去のためのディープラーニングにおける最悪ケースのロバスト性を高めるための効果的な方法です。
自然なノイズのあるデータで訓練することは、ある程度のロバスト性向上をもたらします。
より複雑な逆問題に対してジッタリングを最適化するには、さらなる研究が必要です。