論文の概要: A Unifying and Canonical Description of Measure-Preserving Diffusions
- arxiv url: http://arxiv.org/abs/2105.02845v1
- Date: Thu, 6 May 2021 17:36:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 14:53:26.478338
- Title: A Unifying and Canonical Description of Measure-Preserving Diffusions
- Title(参考訳): 測度保存拡散の統一と正準記述
- Authors: Alessandro Barp, So Takao, Michael Betancourt, Alexis Arnaudon, Mark
Girolami
- Abstract要約: ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。
我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
- 参考スコア(独自算出の注目度): 60.59592461429012
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A complete recipe of measure-preserving diffusions in Euclidean space was
recently derived unifying several MCMC algorithms into a single framework. In
this paper, we develop a geometric theory that improves and generalises this
construction to any manifold. We thereby demonstrate that the completeness
result is a direct consequence of the topology of the underlying manifold and
the geometry induced by the target measure $P$; there is no need to introduce
other structures such as a Riemannian metric, local coordinates, or a reference
measure. Instead, our framework relies on the intrinsic geometry of $P$ and in
particular its canonical derivative, the deRham rotationnel, which allows us to
parametrise the Fokker--Planck currents of measure-preserving diffusions using
potentials. The geometric formalism can easily incorporate constraints and
symmetries, and deliver new important insights, for example, a new complete
recipe of Langevin-like diffusions that are suited to the construction of
samplers. We also analyse the reversibility and dissipative properties of the
diffusions, the associated deterministic flow on the space of measures, and the
geometry of Langevin processes. Our article connects ideas from various
literature and frames the theory of measure-preserving diffusions in its
appropriate mathematical context.
- Abstract(参考訳): ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。
本稿では、この構成を任意の多様体に改良し一般化する幾何学的理論を考案する。
これにより、完備性の結果は、基礎となる多様体の位相と対象測度 $p$ によって引き起こされる幾何学の直接的な結果であることが証明される; リーマン計量、局所座標、参照測度といった他の構造を導入する必要はない。
代わりに、我々のフレームワークは$P$の内在幾何学、特にその標準微分であるdeRham回転子に依存しており、ポテンシャルを用いて測度保存拡散のFokker-Planck電流をパラメトリズすることができる。
幾何形式論は簡単に制約や対称性を組み込むことができ、例えば、サンプル作成に適したランゲヴィン様の拡散の新しい完全なレシピのような、新しい重要な洞察を与えることができる。
また,拡散の可逆性と散逸性,測度空間上の関連する決定論的流れ,ランジュバン過程の幾何学についても解析した。
本論文は,様々な文献からのアイデアを結びつけ,その適切な数学的文脈における測度保存拡散の理論を枠組み化する。
関連論文リスト
- Topological Obstructions and How to Avoid Them [22.45861345237023]
局所最適性は特異点や不正確な次数や巻数によって生じる可能性があることを示す。
本稿では,データポイントを幾何学空間上のマルチモーダル分布にマッピングするフローベースモデルを提案する。
論文 参考訳(メタデータ) (2023-12-12T18:56:14Z) - Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。
我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文 参考訳(メタデータ) (2023-10-30T21:27:53Z) - The Fisher-Rao geometry of CES distributions [50.50897590847961]
Fisher-Rao情報幾何学は、ツールを微分幾何学から活用することができる。
楕円分布の枠組みにおけるこれらの幾何学的ツールの実用的利用について述べる。
論文 参考訳(メタデータ) (2023-10-02T09:23:32Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - A singular Riemannian geometry approach to Deep Neural Networks I.
Theoretical foundations [77.86290991564829]
ディープニューラルネットワークは、音声認識、機械翻訳、画像解析など、いくつかの科学領域で複雑な問題を解決するために広く使われている。
我々は、リーマン計量を備えた列の最後の多様体で、多様体間の写像の特定の列を研究する。
このようなシーケンスのマップの理論的性質について検討し、最終的に実践的な関心を持つニューラルネットワークの実装間のマップのケースに焦点を当てる。
論文 参考訳(メタデータ) (2021-12-17T11:43:30Z) - Pulling back information geometry [3.0273878903284266]
我々は,幅広いデコーダ分布に対して有意義な潜在測地を実現できることを示す。
我々は,幅広いデコーダ分布に対して有意義な潜在測地を実現できることを示す。
論文 参考訳(メタデータ) (2021-06-09T20:16:28Z) - Geometric variational inference [0.0]
変分推論 (VI) またはマルコフ・チェイン・モンテカルロ (MCMC) 技術は点推定を超えて用いられる。
本研究は,リーマン幾何学とフィッシャー情報量に基づく幾何学的変分推論(geoVI)を提案する。
変換によって誘導される座標系で表される分布は、特に単純であり、正確な変分近似を可能にする。
論文 参考訳(メタデータ) (2021-05-21T17:18:50Z) - Continuous normalizing flows on manifolds [0.342658286826597]
本稿では,最近導入されたニューラルODEと連続正規化フローを任意の滑らかな多様体に拡張する方法について述べる。
本稿では,これらの空間上のベクトル場をパラメータ化するための一般的な手法を提案する。
論文 参考訳(メタデータ) (2021-03-14T15:35:19Z) - Disentangling by Subspace Diffusion [72.1895236605335]
データ多様体の完全教師なし分解は、多様体の真の計量が知られている場合、可能であることを示す。
我々の研究は、教師なしメートル法学習が可能であるかどうかという問題を減らし、表現学習の幾何学的性質に関する統一的な洞察を提供する。
論文 参考訳(メタデータ) (2020-06-23T13:33:19Z)
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。