Conditional Generative Models are Provably Robust: Pointwise Guarantees for Bayesian Inverse Problems
von Fabian Altekrüger, Paul Hagemann, Gabriele Steidl
Jahr:
2023
Publikation:
Transactions on Machine Learning Research (TMLR)
Abstrakt:
Conditional generative models became a very powerful tool to sample from Bayesian inverse problem posteriors. It is well-known in classical Bayesian literature that posterior measures are quite robust with respect to perturbations of both the prior measure and the negative log-likelihood, which includes perturbations of the observations.
Link:
Read the paperAdditional Information
Brief introduction of the dida co-author(s) and relevance for dida's ML developments.
Dr. Fabian Altekrüger
Fabian legte während seines Mathematikstudiums an der TU Berlin seinen Fokus auf Themen der Funktionalanalysis. In seiner anschließenden Promotion beschäftigte er sich mit der Regularisierung und Lösung Bayesscher inverser Probleme in der mathematischen Bildverarbeitung, wobei er mathematische Methoden mit neuronalen Netzen kombinierte. Dabei entwickelte und nutzte Fabian unter anderem bedingte generative Modelle, stets mit Blick auf die Stabilität und Robustheit der Methoden. Bei dida bringt er seine Fähigkeiten als Machine Learning Scientist ein.