論文の概要: Inference and De-Noising of Non-Gaussian Particle Distribution
Functions: A Generative Modeling Approach
- arxiv url: http://arxiv.org/abs/2110.02153v1
- Date: Tue, 5 Oct 2021 16:38:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-06 17:21:03.837540
- Title: Inference and De-Noising of Non-Gaussian Particle Distribution
Functions: A Generative Modeling Approach
- Title(参考訳): 非ガウス粒子分布関数の推論と非通知:生成的モデリングアプローチ
- Authors: John Donaghy, Kai Germaschewski
- Abstract要約: 数値シミュレーションによって生成されたデータに対する推測は、一般に、粒子分布関数を回復するためにデータを結合する。
ここでは、正規化フローを用いて、雑音粒子分布関数に対する滑らかでトラクタブルな近似を学習する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The particle-in-cell numerical method of plasma physics balances a trade-off
between computational cost and intrinsic noise. Inference on data produced by
these simulations generally consists of binning the data to recover the
particle distribution function, from which physical processes may be
investigated. In addition to containing noise, the distribution function is
temporally dynamic and can be non-gaussian and multi-modal, making the task of
modeling it difficult. Here we demonstrate the use of normalizing flows to
learn a smooth, tractable approximation to the noisy particle distribution
function. We demonstrate that the resulting data driven likelihood conserves
relevant physics and may be extended to encapsulate the temporal evolution of
the distribution function.
- Abstract(参考訳): プラズマ物理の粒子内数値法は計算コストと固有雑音とのトレードオフをバランスさせる。
これらのシミュレーションによって生成されたデータに対する推測は、一般にデータを結合して粒子分布関数を回復し、そこから物理過程を研究することができる。
ノイズを含むことに加えて、分布関数は時間的に動的であり、非ガウス的かつマルチモーダルであり、モデリングの作業は困難である。
ここでは、正規化フローを用いて、雑音粒子分布関数に対する滑らかでトラクタブルな近似を学習する。
結果として得られるデータ駆動確率は関連する物理学を保存し、分布関数の時間的発展をカプセル化するために拡張することができる。
関連論文リスト
- Inferring biological processes with intrinsic noise from cross-sectional data [0.8192907805418583]
データから動的モデルを推定することは、計算生物学における重要な課題である。
確率フロー推論(PFI)は,ODE推論のアルゴリズム的容易性を維持しつつ,本質性から力を引き離すことを示す。
実例では,PFIは高次元反応ネットワークにおける正確なパラメータと力の推定を可能にし,分子ノイズによる細胞分化動態の推測を可能にする。
論文 参考訳(メタデータ) (2024-10-10T00:33:25Z) - Electrostatics-based particle sampling and approximate inference [0.0]
静電気学とニュートン力学の原理に基づく新しい粒子に基づくサンプリングおよび近似推論法が導入された。
より一般的な推論問題において、離散時間離散空間のアルゴリズム設計が使用される。
論文 参考訳(メタデータ) (2024-06-28T16:53:06Z) - Learning to Approximate Particle Smoothing Trajectories via Diffusion Generative Models [16.196738720721417]
希少な観測からシステムを学ぶことは、生物学、金融学、物理学など多くの分野において重要である。
本研究では,条件付き粒子フィルタリングと祖先サンプリングと拡散モデルを統合する手法を提案する。
車両追跡や単一セルRNAシークエンシングデータなど,時系列生成とタスクにおけるアプローチを実証する。
論文 参考訳(メタデータ) (2024-06-01T21:54:01Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳(メタデータ) (2024-05-18T15:59:41Z) - 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) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳(メタデータ) (2022-11-30T05:33:29Z) - Modeling Temporal Data as Continuous Functions with Stochastic Process
Diffusion [2.2849153854336763]
時間データは、基礎となる関数の離散化測定と見なすことができる。
このようなデータの生成モデルを構築するには、そのデータを管理するプロセスをモデル化する必要があります。
本稿では,関数空間における微分拡散モデルを定義することで解を提案する。
論文 参考訳(メタデータ) (2022-11-04T17:02:01Z) - ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。
摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。
最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文 参考訳(メタデータ) (2022-08-18T16:07:59Z)
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。