SFBD-OMNI: Brückenmodell Rekonstruktion verrauschter Messungen mit wenigen Proben

In vielen praktischen Anwendungen ist es nahezu unmöglich, vollständig beobachtete Daten zu erhalten – die Kosten oder die technische Machbarkeit machen sie unzugänglich. Gleichzeitig lassen sich jedoch leicht verrauschte oder teilweise Messungen sammeln. Die neue Arbeit von SFBD-OMNI adressiert genau dieses Problem: Sie nutzt die Fülle an verrauschten Proben, während die Beschädigungsprozesse als schwarze Box behandelt werden.

Der Ansatz formuliert die Wiederherstellung der zugrunde liegenden Verteilung als ein einseitiges, entropisches Optimaltransport-Problem. Durch einen EM‑ähnlichen Algorithmus wird die optimale Zuordnung zwischen verrauschten und sauberen Daten bestimmt. Zusätzlich wird ein Testkriterium eingeführt, das prüft, ob die wahre Verteilung bei Verlust von Probeninformation überhaupt rekonstruierbar ist.

Ein besonders spannender Befund ist, dass bereits eine kleine Menge sauberer Proben die Wiederherstellung in vielen ansonsten unrecoverbaren Fällen stark verbessert. Auf dieser Erkenntnis aufbauend präsentiert SFBD-OMNI ein Brückenmodell, das verrauschte Stichproben direkt auf die wahre Verteilung abbildet. Das Verfahren erweitert das vorherige Stochastic Forward‑Backward Deconvolution (SFBD) um die Möglichkeit, beliebige Messmodelle – nicht nur Gaußsche Rauschen – zu behandeln.

Experimentelle Tests auf Standard-Datensätzen und unter verschiedensten Messbedingungen zeigen, dass SFBD-OMNI sowohl qualitativ als auch quantitativ signifikante Fortschritte erzielt. Die Ergebnisse deuten darauf hin, dass das neue Framework ein vielversprechender Schritt in Richtung robustere Datenrekonstruktion in realen Szenarien ist.