不适定逆问题中最优集值解码器的存在性及其精度界限研究

《European Journal of Applied Mathematics》:On the existence of optimal set-valued decoders and their accuracy bounds for ill-posed inverse problems

【字体: 大 中 小 】 时间:2026年09月23日 来源:European Journal of Applied Mathematics 1.7

编辑推荐:

  不适定逆问题(ill-posed inverse problems)广泛存在于科学各领域,包括医学成像、雷达、天文学等,由此产生欠定或不适定的线性(非线性)重建问题。目前已有大量技术可用于设计解决此类问题的解码器/重建方法,涵盖从基于优化的方法(如压缩感知(c

  
不适定逆问题(ill-posed inverse problems)广泛存在于科学各领域,包括医学成像、雷达、天文学等,由此产生欠定或不适定的线性(非线性)重建问题。目前已有大量技术可用于设计解决此类问题的解码器/重建方法,涵盖从基于优化的方法(如压缩感知(compressed sensing))到数据驱动技术(如深度学习(DL))以及介于两者之间的各种变体。方法的多样性亟需一种统一的方法来确定最优解码器的存在性和基本精度界限,以促进对现有及未来方法性能的理论与实证理解。此类理论必须同时允许单值解码器和集值解码器(set-valued decoders),因为欠定和不适定逆问题通常具有多个解。事实上,集值解码器产生于优化问题中极小值不唯一的情形,例如压缩感知中的情况,以及生成对抗模型(如扩散模型(diffusion models)和集成模型(ensemble models))中基于DL的解码器。在这项工作中,研究人员提供了一个框架,用于评估在最坏情况和平均误差意义下的最低可能重建精度。这些普适界限仅依赖于测量模型$F$、模型类$\mathscr{M}_1$和噪声模型$\mathscr{E}$。对于线性$F$,这些界限取决于其核(kernel);在非线性情形下,核的概念被推广到欠采样和不适定设置。此外,研究人员提供了可获得最低可能重建误差的集值变分解。
论文解读:不适定逆问题的最优集值解码器及其精度界限

一、研究背景与问题

有限维逆问题广泛出现在计算科学中,涉及计算成像、矩阵补全、参数偏微分方程/系统辨识、相位恢复、量化采样等众多应用。这类问题通常可建模为:根据含噪测量$y=F(x,e)$(其中$x\in\mathscr{M}_1$为目标信号,$e\in\mathscr{E}$为噪声)恢复$x$。在许多实际情形下,该问题是不适定的或欠采样的,即解不唯一。传统上,为使问题可解,通常假设无噪声正演模型限制在模型类$\mathscr{M}_1$上是单射的。然而,近年来兴起的数据驱动方法(如深度学习)并不明确规定解集$\mathscr{M}_1$,而是通过有限训练数据学习重建映射,这导致此类方法容易产生“幻觉”和“不稳定性”。Burger和Roith在《Learning in Image Reconstruction: A Cautionary Tale》中提出了一个核心问题:能否量化不适定逆问题的重建误差?本文正是为回答该问题而展开研究。

二、研究内容与主要结论

研究人员提出了一个统一的数学框架,用于刻画当正演模型$F$在$\mathscr{M}_1$上非单射时逆问题的最优性概念,并给出了最优映射的变分表达式。主要贡献包括三个方面:第一,建立了一个框架,可对问题(1)的最低可达重建精度进行分类,该框架将此前的研究从赋范空间推广到度量空间,允许自然出现于欠采样逆问题中的集值解码器,并将最坏情况研究扩展到平均误差情形。第二,给出了在最坏情况意义和概率意义下达到最低重建误差的集值重建映射的显式公式,并证明了平均误差情形下最优映射是可测的、紧值的且存在可测单值选择子。第三,提供了最低可达重建精度的下界和上界,这些界限仅依赖于正演算子、信号和噪声类,与求解(1)所采用的方法或解码器无关。

三、关键技术与方法

为实现上述目标,研究人员采用了以下关键技术方法:利用度量空间理论(在$\mathscr{X}$、$\mathscr{Y}$、$\mathscr{Z}$上分别赋予满足第二可数性和Heine-Borel性质的度量$d_{\mathscr{X}}$、$d_{\mathscr{Y}}$、$d_{\mathscr{Z}}$);使用Hausdorff距离度量$\mathscr{X}$中子集间的距离,以量化集值映射的重建误差;引入测度分解(disintegration)概念,将概率测度沿可测函数$F$分解为条件概率族$\{\mu^y\}_{y\in\mathscr{M}_2^{\mathscr{E}}}$,用于处理平均误差情形(该工具在[Reference Chang and Pollard40]中有详细论述);运用可测最大值定理(Measurable Maximum Theorem)和Carathéodory函数的联合可测性;定义了核尺寸(kernel size)这一内蕴常数,用以刻画可行集$F_y$的直径或平均直径。需要说明的是,该研究为纯理论框架研究,未涉及具体实验样本队列。

四、研究结果

1. 最坏情况最优性界限与最优映射

研究人员定义了带最坏情况噪声的最优性常数$c_{\mathrm{opt}}^{\mathrm{w}}(F,\mathscr{M}_1,\mathscr{E})$和核尺寸$\mathrm{kersize}^{\mathrm{w}}(F,\mathscr{M}_1,\mathscr{E})$。定理3.1证明:$\mathrm{kersize}^{\mathrm{w}}(F,\mathscr{M}_1,\mathscr{E})/2 \leq c_{\mathrm{opt}}^{\mathrm{w}}(F,\mathscr{M}_1,\mathscr{E}) \leq \mathrm{kersize}^{\mathrm{w}}(F,\mathscr{M}_1,\mathscr{E})$,并给出了一个具有非空紧值的最优映射$\Psi(y)=\mathrm{argmin}_{z\in\mathscr{X}}\sup_{x\in F_y}d_{\mathscr{X}}(x,z)$。该结果表明:即使对所有可能的集值映射取最优,最坏情况重建误差也存在一个由问题本身核尺寸决定的正下界。

2. 平均最优性界限与最优映射

研究人员将前述框架推广到概率模型,定义了$p$阶平均误差$\mathrm{Err}^{\mathrm{a}}(\varphi,p)$、平均最优性常数$c_{\mathrm{opt}}^{\mathrm{a}}(F,\mathscr{M}_1,\mathscr{E},p)$和平均核尺寸$\mathrm{kersize}^{\mathrm{a}}(F,\mathscr{M}_1,\mathscr{E},p)$。定理3.2证明:对任意$p\in[1,\infty]$,有$\mathrm{kersize}^{\mathrm{a}}(F,\mathscr{M}_1,\mathscr{E},p)/2 \leq c_{\mathrm{opt}}^{\mathrm{a}}(F,\mathscr{M}_1,\mathscr{E},p) \leq \mathrm{kersize}^{\mathrm{a}}(F,\mathscr{M}_1,\mathscr{E},p)$。当$p\in[1,\infty)$时,最优映射由$\Psi(y)=\mathrm{argmin}_{z\in\mathscr{X}}\int_{F^{-1}(y)}d_{\mathscr{X}}(x,z)^p\,d\mu^y(x,e)$给出;当$p=\infty$时,由$\Psi(y)=\mathrm{argmin}_{z\in\mathscr{X}}\mathrm{esssup}_{(x,e)\in F^{-1}(y)}d_{\mathscr{X}}(x,z)$给出。该最优映射具有紧值、可测性,且存在可测选择子。

3. 应用示例与界限的紧性

通过四个示例展示了框架的适用性:示例1建立了线性逆问题中鲁棒零空间性质(rNSP)与最坏情况核尺寸的联系,证明满足rNSP时$\mathrm{kersize}^{\mathrm{w}}(F,\mathscr{M}_1,\mathscr{E}) \leq D_2\eta$($\eta$为噪声直径);示例2将该框架与最优学习、Chebyshev中心和Gelfand宽度相联系;示例3证明了在$p=2$且度量由内积诱导时,定理3.2中的最优映射恰为贝叶斯后验均值估计器;示例4给出了具体实例,说明定理3.1和定理3.2中的上下界均可达到,因此是尖锐的。

五、讨论与结论

研究人员指出,本工作所得最优映射通常无法解析计算,且定义为嵌入式优化问题,在高维逆问题中数值实现可能不可行。平均情形下最优映射存在可测选择子,但其连续选择子的存在条件仍有待研究。此外,核尺寸本身不易计算,发展可计算且收敛的近似算法将有助于实际应用中的定量精度保证。

总结:该研究提出的不适定逆问题理论框架可视为先前多种框架向集值解码器的推广。通过放宽或消除凸性、线性正演算子和加性噪声等常见假设,在一般假设下为集值及单值解码器提供了相关精度界限和最优解码器的变分表达式。这些下界可用于评估包括集成模型、扩散模型和基于采样的方法在内各类模型的精度与性能,并可为缓解基于深度学习的重建中的人工智能幻觉问题提供理论依据。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号