論文の概要: A Novel Exploration of Diffusion Process based on Multi-types
Galton-Watson Forests
- arxiv url: http://arxiv.org/abs/2203.11816v1
- Date: Thu, 17 Mar 2022 14:27:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-27 05:08:30.690863
- Title: A Novel Exploration of Diffusion Process based on Multi-types
Galton-Watson Forests
- Title（参考訳）: マルチタイプGalton-Watson林の拡散過程の新しい探索
- Authors: Yanjiao Zhu, Qilin Li, Wanquan Liu, Chuancun Yin, Zhenlong Gao
- Abstract要約: 我々は、Galton-Watson forest (MGWF) を再生し、拡散過程を解釈し、それらの間の等価な関係を確立する。
MGWFの2相設定により、拡散過程とGoogle PageRankシステムを明確に解釈できる。
- 参考スコア（独自算出の注目度）: 7.84512614739801
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Diffusion is a commonly used technique for spreading information from point
to point on a graph. The rationale behind diffusion is not clear. And the
multi-types Galton-Watson forest is a random model of population growth without
space or any other resource constraints. In this paper, we use the degenerated
multi-types Galton-Watson forest (MGWF) to interpret the diffusion process and
establish an equivalent relationship between them. With the two-phase setting
of the MGWF, one can interpret the diffusion process and the Google PageRank
system explicitly. It also improves the convergence behaviour of the iterative
diffusion process and Google PageRank system. We validate the proposal by
experiment while providing new research directions.
- Abstract（参考訳）: 拡散はグラフ上の点から点へと情報を拡散する一般的な手法である。
拡散の理論的根拠は明確ではない。
そして、多型ガルトン・ワットソン森林は、空間や他の資源の制約なしに人口増加のランダムなモデルである。
本稿では,多種多型ガルトン・ワットソン林(mgwf)を用いて,拡散過程を解釈し,両者の等価な関係を確立する。
mgwfの2相設定では、拡散過程とgoogleページランクシステムを明示的に解釈することができる。
また、反復拡散プロセスとGoogle PageRankシステムの収束挙動を改善している。
提案を実験により検証し,新たな研究指針を提示する。
関連論文リスト
- DiffusionDialog: A Diffusion Model for Diverse Dialog Generation with Latent Space [7.131920232495329]
現実の会話では、内容は多様であり、多種多様な世代を必要とする一対多の問題が存在する。
以前の研究では、離散型あるいはガウス型連続潜伏変数を導入し、一対多の問題に対処しようとした。
拡散モデルの助けを借りて対話生成の多様性を高める新しい手法であるDiffusionDialogを提案する。
論文 参考訳（メタデータ） (2024-04-10T05:56:46Z) - Improved off-policy training of diffusion samplers [93.66433483772055]
本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。
シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。
我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
論文 参考訳（メタデータ） (2024-02-07T18:51:49Z) - Diffusion-based Graph Generative Methods [51.04666253001781]
拡散に基づくグラフ生成法について,系統的,包括的に検討した。
まず,拡散モデル,スコアベース生成モデル,微分方程式の3つの主流パラダイムについて概説する。
最後に,現在の研究の限界と今後の探査の方向性を指摘する。
論文 参考訳（メタデータ） (2024-01-28T10:09:05Z) - Guided Diffusion from Self-Supervised Diffusion Features [49.78673164423208]
ガイダンスは拡散モデルにおいて重要な概念として機能するが、その効果は追加のデータアノテーションや事前学習の必要性によって制限されることが多い。
本稿では,拡散モデルからガイダンスを抽出するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-14T11:19:11Z) - A Generalized Neural Diffusion Framework on Graphs [36.867530311300925]
我々は, 拡散過程とより多くのGNNの関係を正式に確立する, 忠実度項を持つ一般拡散方程式フレームワークを提案する。
高次拡散方程式では、HiD-Netは攻撃に対してより堅牢であり、ホモフィリーグラフとヘテロフィリーグラフの両方で作用する。
論文 参考訳（メタデータ） (2023-12-14T02:41:12Z) - Reverse Stable Diffusion: What prompt was used to generate this image? [73.10116197883303]
本研究では, 生成拡散モデルにより生成された画像に対して, 迅速な埋め込みを予測できる課題について検討する。
本稿では,複数ラベルの語彙分類を目的とする共同学習フレームワークを提案する。
我々はDiffusionDBデータセットの実験を行い、安定拡散によって生成された画像からテキストプロンプトを予測する。
論文 参考訳（メタデータ） (2023-08-02T23:39:29Z) - Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。
分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。
我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
論文 参考訳（メタデータ） (2023-03-28T17:59:56Z) - Where to Diffuse, How to Diffuse, and How to Get Back: Automated
Learning for Multivariate Diffusions [22.04182099405728]
拡散に基づく生成モデル(DBGM)は、ターゲット雑音分布に摂動データを変換し、この推論拡散過程を逆にしてサンプルを生成する。
補助変数の数に対して、低いバウンドを最大化する方法を示す。
次に,特定対象雑音分布の拡散をパラメータ化する方法を示す。
論文 参考訳（メタデータ） (2023-02-14T18:57:04Z) - Source Localization of Graph Diffusion via Variational Autoencoders for
Graph Inverse Problems [8.984898754363265]
グラフ拡散の逆問題としてのソースローカライゼーションは極めて困難である。
本稿では,異なる候補源の不確実性を考慮した確率的手法に焦点をあてる。
7つの実世界のデータセット上で実験を行い、拡散源の再構築におけるSL-VAEの優位性を実証した。
論文 参考訳（メタデータ） (2022-06-24T14:56:45Z) - Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。
フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。
我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
論文 参考訳（メタデータ） (2022-06-05T20:45:01Z)
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。