論文の概要: Triangular Flows for Generative Modeling: Statistical Consistency,
Smoothness Classes, and Fast Rates
- arxiv url: http://arxiv.org/abs/2112.15595v1
- Date: Fri, 31 Dec 2021 18:57:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-03 14:25:18.618837
- Title: Triangular Flows for Generative Modeling: Statistical Consistency,
Smoothness Classes, and Fast Rates
- Title(参考訳): 生成モデリングのための三角流:統計整合性、滑らか性クラス、高速
- Authors: Nicholas J. Irons and Meyer Scetbon and Soumik Pal and Zaid Harchaoui
- Abstract要約: 三角流、あるいはKn"othe-Rosenblatt測度結合は、フローモデルを正規化するための重要な構成要素である。
三角流統計モデルに対する統計的保証とサンプル複雑性境界を示す。
- 参考スコア(独自算出の注目度): 8.029049649310211
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Triangular flows, also known as Kn\"{o}the-Rosenblatt measure couplings,
comprise an important building block of normalizing flow models for generative
modeling and density estimation, including popular autoregressive flow models
such as real-valued non-volume preserving transformation models (Real NVP). We
present statistical guarantees and sample complexity bounds for triangular flow
statistical models. In particular, we establish the statistical consistency and
the finite sample convergence rates of the Kullback-Leibler estimator of the
Kn\"{o}the-Rosenblatt measure coupling using tools from empirical process
theory. Our results highlight the anisotropic geometry of function classes at
play in triangular flows, shed light on optimal coordinate ordering, and lead
to statistical guarantees for Jacobian flows. We conduct numerical experiments
on synthetic data to illustrate the practical implications of our theoretical
findings.
- Abstract(参考訳): 三角流(Kn\"{o}the-Rosenblatt measure couplings)は、生成モデリングと密度推定のための正規化フローモデルの重要な構成要素であり、実数値非体積保存変換モデル(Real NVP)のような一般的な自己回帰フローモデルを含む。
三角流統計モデルに対する統計的保証とサンプル複雑性境界を示す。
特に、kn\"{o}the-rosenblatt測度結合のkullback-leibler推定器の統計的一貫性と有限サンプル収束率を経験的過程理論のツールを用いて確立する。
本結果は, 三角流における関数クラスの異方性幾何, 最適座標順序付けに光を放ち, ヤコビ流の統計的保証をもたらすものである。
本研究は, 合成データの数値実験を行い, 理論的結果の実用的意義について述べる。
関連論文リスト
- Applications of flow models to the generation of correlated lattice QCD
ensembles [69.5359383639808]
機械学習された正規化フローは、格子量子場理論の文脈で、異なる作用パラメータで格子ゲージ場の統計的に相関したアンサンブルを生成するために用いられる。
本研究は,これらの相関を可観測物の計算における分散低減に活用する方法を実証する。
論文 参考訳(メタデータ) (2024-01-19T18:33:52Z) - 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) - 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) - Gauge-equivariant flow models for sampling in lattice field theories
with pseudofermions [51.52945471576731]
本研究は,フェルミオン行列式の推定器として擬フェルミオンを用いたフェルミオン格子場理論におけるフローベースサンプリングのためのゲージ不変アーキテクチャを提案する。
これは最先端の格子場理論計算におけるデフォルトのアプローチであり、QCDのような理論へのフローモデルの実践的応用に欠かせない。
論文 参考訳(メタデータ) (2022-07-18T21:13:34Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - Towards a Numerical Proof of Turbulence Closure [58.720142291102135]
本稿では, 統計誤差, ユーレリアおよびラグランジアン構造関数, エネルギーカスケードの断続統計を定量的に再現するディープリカレントニューラルネットワークに基づく閉包を提案する。
本研究は,3次元ナビエ-ストークス乱流に対する類似した手法の開発を奨励するものである。
論文 参考訳(メタデータ) (2022-02-18T16:31:57Z) - Latent Space Model for Higher-order Networks and Generalized Tensor
Decomposition [18.07071669486882]
我々は、複雑な高次ネットワーク相互作用を研究するために、一般的な潜在空間モデルとして定式化された統一フレームワークを導入する。
一般化された多線形カーネルをリンク関数として、潜伏位置と観測データとの関係を定式化する。
本手法が合成データに与える影響を実証する。
論文 参考訳(メタデータ) (2021-06-30T13:11:17Z) - NuSPAN: A Proximal Average Network for Nonuniform Sparse Model --
Application to Seismic Reflectivity Inversion [23.080395291046408]
我々は, 地震データの高分解能回復の観点から, 近位脱畳の問題を解く。
凸と非一様シグナライザの組み合わせを用いる。
結果として生じるスパースネットワークアーキテクチャは、データ駆動方式で取得できる。
論文 参考訳(メタデータ) (2021-05-01T04:33:02Z) - Projected Statistical Methods for Distributional Data on the Real Line
with the Wasserstein Metric [0.0]
本研究では,実線上の確率分布のデータセットに関する統計解析を行うための,新規な予測手法を提案する。
特に主成分分析(PCA)と回帰に重点を置いています。
モデルのいくつかの理論的性質が研究され、一貫性が証明される。
論文 参考訳(メタデータ) (2021-01-22T10:24:49Z) - Towards Recurrent Autoregressive Flow Models [39.25035894474609]
本稿では,正規化フローを用いた一般的なプロセスモデリングのための手法として,リカレント自己回帰フローを提案する。
提案手法は, ニューラル接続を繰り返す正規化フローのパラメータを条件付けすることにより, 逐次的過程における各変数の条件分布を定義する。
モデルが3つの複雑なプロセスで訓練される一連の実験を通して、このモデルのクラスの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-17T18:38:36Z)
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。