Adaptive Sampling steigert Effizienz bei inversen Problem‑Lösungen

Eine neue Methode zur dynamischen Datensammlung wurde vorgestellt, die die Erstellung kompakter und informativer Trainingsdatensätze für inverse Problem‑Lösungen revolutioniert. Durch ein instanzweises adaptives Sampling werden die benötigten Trainingsproben gezielt auf die jeweilige Testinstanz zugeschnitten, wodurch die Datenmenge drastisch reduziert wird.

Traditionelle Lernansätze versuchen, eine allgemeine Inversenkarte aus Daten zu erlernen, die aus einer Priorverteilung gezogen werden. Wenn diese Prior eine hohe intrinsische Dimension besitzt oder wenn sehr hohe Genauigkeit gefordert ist, erfordert das Verfahren oft Millionen von Proben – ein enormer Aufwand an Zeit und Ressourcen.

Die neue Technik passt den Samplingsaufwand dynamisch an die spezifische Testinstanz an. Durch wiederholtes Verfeinern des Datensatzes, basierend auf der aktuell besten Vorhersage, wird das Lernmaterial exakt an die Geometrie der Inversenkarte in der Nähe der Instanz angepasst. Dieser iterative Prozess führt zu einer erheblichen Steigerung der Stichproben-Effizienz.

Die Wirksamkeit wurde im Kontext des inversen Streuungsproblems mit zwei strukturierten Prioren demonstriert. Die Ergebnisse zeigen, dass der adaptive Ansatz besonders bei komplexeren Prioren oder bei höheren Genauigkeitsanforderungen deutlich Vorteile bietet. Obwohl die Experimente auf ein spezielles Problem beschränkt sind, lässt sich die Methode leicht auf andere inverse Fragestellungen übertragen und bietet damit eine skalierbare Alternative zu herkömmlichen, festen Datensatz‑Trainingsregimen.