اکسپرس 24
ترجمه فارسی مقاله استنتاج تغییرات عصبی ضعیف برای حل مسائل معکوس بیزی بدون مدل‌های پیشرو: کاربردها در الاستوگرافی

ترجمه فارسی مقاله استنتاج تغییرات عصبی ضعیف برای حل مسائل معکوس بیزی بدون مدل‌های پیشرو: کاربردها در الاستوگرافی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Weak neural variational inference for solving Bayesian inverse problems without forward models: applications in elastography
عنوان مقاله به فارسی استنتاج تغییرات عصبی ضعیف برای حل مسائل معکوس بیزی بدون مدل‌های پیشرو: کاربردها در الاستوگرافی
نویسندگان Vincent C. Scholz, Yaohua Zang, Phaedon-Stelios Koutsourelakis
فرمت مقاله انگلیسی PDF
تعداد صفحات 33
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 30 July, 2024; originally announced July 2024.
توضیحات به فارسی ارسال شده 30 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 1,320,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In this paper, we introduce a novel, data-driven approach for solving high-dimensional Bayesian inverse problems based on partial differential equations (PDEs), called Weak Neural Variational Inference (WNVI). The method complements real measurements with virtual observations derived from the physical model. In particular, weighted residuals are employed as probes to the governing PDE in order to formulate and solve a Bayesian inverse problem without ever formulating nor solving a forward model. The formulation treats the state variables of the physical model as latent variables, inferred using Stochastic Variational Inference (SVI), along with the usual unknowns. The approximate posterior employed uses neural networks to approximate the inverse mapping from state variables to the unknowns. We illustrate the proposed method in a biomedical setting where we infer spatially varying material properties from noisy tissue deformation data. We demonstrate that WNVI is not only as accurate and more efficient than traditional methods that rely on repeatedly solving the (non)linear forward problem as a black-box, but it can also handle ill-posed forward problems (e.g., with insufficient boundary conditions).

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما یک رویکرد جدید و مبتنی بر داده برای حل مشکلات معکوس بیزی با ابعاد بالا بر اساس معادلات دیفرانسیل جزئی (PDEs) ، که استنتاج تغییرات عصبی ضعیف (WNVI) نامیده می شود ، معرفی می کنیم.این روش اندازه گیری های واقعی را با مشاهدات مجازی حاصل از مدل فیزیکی تکمیل می کند.به طور خاص ، باقیمانده های وزنی به عنوان کاوشگر به PDE حاکم به منظور تدوین و حل یک مشکل معکوس بیزی بدون هیچ گونه تدوین و حل یک مدل رو به جلو استفاده می شوند.این فرمولاسیون متغیرهای حالت مدل فیزیکی را به عنوان متغیرهای نهفته ، با استفاده از استنتاج تنوع تصادفی (SVI) ، به همراه ناشناخته های معمول ، درمان می کند.خلفی تقریبی استفاده شده از شبکه های عصبی برای تقریب نقشه برداری معکوس از متغیرهای حالت به ناشناخته ها استفاده می کند.ما روش پیشنهادی را در یک محیط زیست پزشکی نشان می دهیم که در آن خصوصیات ماده متغیر از داده های تغییر شکل بافت پر سر و صدا استنباط می کنیم.ما نشان می دهیم که WNVI نه تنها دقیق و کارآمدتر از روشهای سنتی است که به طور مکرر حل مسئله رو به جلو (غیر) خطی به عنوان یک جعبه سیاه تکیه می کند ، بلکه می تواند مشکلات رو به جلو را نیز تحمل کند (به عنوان مثال ، با شرایط مرزی کافی).

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.