論文の概要: Riemannian Score-Based Generative Modeling
- arxiv url: http://arxiv.org/abs/2202.02763v1
- Date: Sun, 6 Feb 2022 11:57:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-09 09:53:23.215050
- Title: Riemannian Score-Based Generative Modeling
- Title(参考訳): リーマンスコアに基づく生成モデル
- Authors: Valentin De Bortoli, Emile Mathieu, Michael Hutchinson, James
Thornton, Yee Whye Teh, Arnaud Doucet
- Abstract要約: 経験的性能を示すスコアベース生成モデル(SGM)を紹介する。
現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。
これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
- 参考スコア(独自算出の注目度): 56.20669989459281
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Score-based generative models (SGMs) are a novel class of generative models
demonstrating remarkable empirical performance. One uses a diffusion to add
progressively Gaussian noise to the data, while the generative model is a
"denoising" process obtained by approximating the time-reversal of this
"noising" diffusion. However, current SGMs make the underlying assumption that
the data is supported on a Euclidean manifold with flat geometry. This prevents
the use of these models for applications in robotics, geoscience or protein
modeling which rely on distributions defined on Riemannian manifolds. To
overcome this issue, we introduce Riemannian Score-based Generative Models
(RSGMs) which extend current SGMs to the setting of compact Riemannian
manifolds. We illustrate our approach with earth and climate science data and
show how RSGMs can be accelerated by solving a Schr\"odinger bridge problem on
manifolds.
- Abstract(参考訳): スコアベース生成モデル(SGM)は、顕著な経験的性能を示す新しい生成モデルのクラスである。
拡散を用いて、データに徐々にガウスノイズを加える一方、生成モデルは、この「ノイズ」拡散の時間反転を近似して得られる「減少」過程である。
しかし、現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。
これにより、ロボット工学、ジオサイエンス、タンパク質モデリングにおけるこれらのモデルの使用が妨げられ、これはリーマン多様体上で定義される分布に依存する。
この問題を克服するために、現在のSGMをコンパクトリーマン多様体の設定に拡張するリーマンスコアベース生成モデル(RSGM)を導入する。
我々は,地球と気候科学のデータを用いて,多様体上のschr\"odinger bridge問題を解くことにより,rsgmsの高速化を図示する。
関連論文リスト
- 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) - Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion
Processes [67.80645464187688]
多様体上に生成過程を構築するための原理的枠組みを導入する。
混合プロセスは、最も可能性の高いエンドポイントに向かって漂流誘導することを特徴とする。
混合過程を学習するための簡易かつ効率的な学習目標を提案する。
論文 参考訳(メタデータ) (2023-10-11T06:04:40Z) - 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) - Riemannian Diffusion Models [11.306081315276089]
拡散モデルは画像生成と推定のための最新の最先端手法である。
本研究では、連続時間拡散モデルを任意のリーマン多様体に一般化する。
提案手法は,全てのベンチマークにおいて新しい最先端の可能性を実現する。
論文 参考訳(メタデータ) (2022-08-16T21:18:31Z) - Riemannian Diffusion Schr\"odinger Bridge [56.20669989459281]
拡散モデルのサンプリングを高速化するために,emphRiemannian Diffusion Schr"odinger Bridgeを導入する。
提案手法は, 合成データと実際の地球・気候データについて検証する。
論文 参考訳(メタデータ) (2022-07-07T00:35:04Z) - The Schr\"odinger Bridge between Gaussian Measures has a Closed Form [101.79851806388699]
我々は OT の動的定式化(Schr"odinger bridge (SB) 問題)に焦点を当てる。
本稿では,ガウス測度間のSBに対する閉形式表現について述べる。
論文 参考訳(メタデータ) (2022-02-11T15:59:01Z) - A Riemannian Newton Trust-Region Method for Fitting Gaussian Mixture
Models [0.0]
ガウス混合モデルのためのリーマン・ヘッシアンの式を紹介します。
さらに、実行時とイテレーション数の両方で現在のアプローチを上回る新しいNewton Trust-Regionメソッドを提案します。
論文 参考訳(メタデータ) (2021-04-30T12:48:32Z)
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。