論文の概要: Equivariant Flows: Exact Likelihood Generative Learning for Symmetric Densities

• arxiv url: http://arxiv.org/abs/2006.02425v2
• Date: Mon, 26 Oct 2020 11:39:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 17:46:30.170114
• Title: Equivariant Flows: Exact Likelihood Generative Learning for Symmetric Densities
• Title（参考訳）: 等変流:対称密度に対する厳密な帰納的学習
• Authors: Jonas K\"ohler, Leon Klein and Frank No\'e
• Abstract要約: 正規化フローは、単純な事前分布から興味の確率分布のサンプルに変換する、正確に類似した生成ニューラルネットワークである。 近年の研究では、このような生成モデルは統計力学において、物理学や化学における多体系の平衡状態のサンプリングに利用できることが示されている。
• 参考スコア（独自算出の注目度）: 1.7188280334580197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Normalizing flows are exact-likelihood generative neural networks which approximately transform samples from a simple prior distribution to samples of the probability distribution of interest. Recent work showed that such generative models can be utilized in statistical mechanics to sample equilibrium states of many-body systems in physics and chemistry. To scale and generalize these results, it is essential that the natural symmetries in the probability density -- in physics defined by the invariances of the target potential -- are built into the flow. We provide a theoretical sufficient criterion showing that the distribution generated by \textit{equivariant} normalizing flows is invariant with respect to these symmetries by design. Furthermore, we propose building blocks for flows which preserve symmetries which are usually found in physical/chemical many-body particle systems. Using benchmark systems motivated from molecular physics, we demonstrate that those symmetry preserving flows can provide better generalization capabilities and sampling efficiency.
• Abstract（参考訳）: 正規化フローは完全同化生成ニューラルネットワークであり、サンプルを単純な事前分布から興味の確率分布のサンプルに近似変換する。 近年の研究では、このような生成モデルは統計力学において、物理学や化学における多体系の平衡状態のサンプリングに利用できることが示されている。 これらの結果のスケールと一般化のためには、ターゲットポテンシャルの不変性によって定義される物理学における確率密度の自然な対称性が流れに組み込まれることが不可欠である。 我々は、フローを正規化する \textit{equivariant} によって生成される分布が、これらの対称性に対して設計によって不変であることを示す理論的に十分な基準を与える。 さらに,物理・化学多体粒子系で通常見られる対称性を保存する流れの構成要素を提案する。 分子物理学に動機づけられたベンチマークシステムを用いて,これらの対称性保存フローがより優れた一般化能力とサンプリング効率をもたらすことを実証する。

関連論文リスト

• Hessian-Informed Flow Matching [4.542719108171107]
  Hessian-Informed Flow Matchingは、エネルギー関数のHessianを条件流に統合する新しいアプローチである。 この積分により、HI-FMは局所曲率と異方性共分散構造を考慮できる。 MNIST と Lennard-Jones 粒子のデータセットに関する実証的な評価は、HI-FM が試験サンプルの可能性を改善していることを示している。
  論文  参考訳（メタデータ） (2024-10-15T09:34:52Z)
• Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
  本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。 入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
  論文  参考訳（メタデータ） (2024-10-07T23:53:25Z)
• Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
  自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,これらのベクトル場をワッサーシュタイン多様体上で積分するメタフローマッチング(Meta Flow Matching, MFM)を提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:05:31Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• Random-matrix models of monitored quantum circuits [0.0]
  量子ビットの非構造系に対するハールランダムユニタリ力学と測度との競合について検討する。 射影測定のために、クラス作用素の統計アンサンブルの様々な性質を導出する。 我々は、クラウス作用素の統計的性質が、観測された量子系の絡み合う位相のモデルとなることを期待する。
  論文  参考訳（メタデータ） (2023-12-14T18:46:53Z)
• Equivariant Flow Matching with Hybrid Probability Transport [69.11915545210393]
  拡散モデル (DM) は, 特徴量の多いジオメトリの生成に有効であることを示した。 DMは通常、非効率なサンプリング速度を持つ不安定な確率力学に悩まされる。 等変モデリングと安定化確率力学の両方の利点を享受する幾何フローマッチングを導入する。
  論文  参考訳（メタデータ） (2023-12-12T11:13:13Z)
• Equivariant flow matching [0.9208007322096533]
  等変連続正規化流(CNF)の新しい訓練目標である等変フローマッチングを導入する。 等変流マッチングは、標的エネルギーの物理対称性を利用して、同変CNFの効率的でシミュレーションなしな訓練を行う。 この結果から,同変フローマッチングの対象は,従来の手法に比べて,より短い積分経路,サンプリング効率の向上,スケーラビリティの向上を図っている。
  論文  参考訳（メタデータ） (2023-06-26T19:40:10Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• E(n) Equivariant Normalizing Flows for Molecule Generation in 3D [87.12477361140716]
  本稿ではユークリッド対称性に同値な生成モデルを紹介する: E(n) 等変正規化フロー(E-NFs) 私たちの知る限りでは、これは3Dで分子を生成する可能性に基づく最初の深層生成モデルである。
  論文  参考訳（メタデータ） (2021-05-19T09:28:54Z)
• Probing symmetries of quantum many-body systems through gap ratio statistics [0.0]
  我々は、ギャップ比分布 P(r) の研究を離散対称性が存在する場合に拡張する。 我々は、量子時計モデルや正準鎖から周期駆動スピンシステムまで、多体物理学の幅広い応用について述べる。
  論文  参考訳（メタデータ） (2020-08-25T17:11:40Z)
• Stochastic Normalizing Flows [2.323220706791067]
  単純な事前分布の変換を学習するために,フローの正規化が有効であることを示す。 サンプルとフローパラメータの両方をエンドツーエンドに最適化できる効率的なトレーニング手順を導出する。 いくつかのベンチマークでSNFの表現力,サンプリング効率,正当性について述べる。
  論文  参考訳（メタデータ） (2020-02-16T23:29:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。