論文の概要: Ergodic variational flows

• arxiv url: http://arxiv.org/abs/2205.07475v1
• Date: Mon, 16 May 2022 06:57:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-17 15:00:17.589576
• Title: Ergodic variational flows
• Title（参考訳）: エルゴード変分流
• Authors: Zuheng Xu, Naitong Chen, Trevor Campbell
• Abstract要約: この研究は、変分族(ergodic variational flow)という新しい種類の変分族を提示する。 流れのステップ数が増加するにつれて, 変動分布が弱く, ターゲットに全変動が生じる軽微な条件を提供する。 我々は、ハミルトン力学と決定論的運動量リフレッシュメントを組み合わせた一般族の特定インスタンス化を開発する。
• 参考スコア（独自算出の注目度）: 16.393322369105864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work presents a new class of variational family -- ergodic variational flows -- that not only enables tractable i.i.d. sampling and density evaluation, but also comes with MCMC-like convergence guarantees. Ergodic variational flows consist of a mixture of repeated applications of a measure-preserving and ergodic map to an initial reference distribution. We provide mild conditions under which the variational distribution converges weakly and in total variation to the target as the number of steps in the flow increases; this convergence holds regardless of the value of variational parameters, although different parameter values may result in faster or slower convergence. Further, we develop a particular instantiation of the general family using Hamiltonian dynamics combined with deterministic momentum refreshment. Simulated and real data experiments provide an empirical verification of the convergence theory and demonstrate that samples produced by the method are of comparable quality to a state-of-the-art MCMC method.
• Abstract（参考訳）: この研究は、抽出可能なサンプリングと密度評価を可能にするだけでなく、MCMCのような収束を保証する新しい種類の変分族(エルゴード変動流)を提示する。 エルゴード変分流は、測度保存写像とエルゴード写像を初期基準分布に繰り返し適用した混合からなる。 この収束性は, 変動パラメータの値によらず, 異なるパラメータ値がより速く, より緩やかな収束をもたらすが, 変化パラメータの値によらず, 流れの段数が増えるにつれて, ターゲットに対して変動分布が弱く, 総変量に収束する穏やかな条件を提供する。 さらに、ハミルトン力学と決定論的運動量リフレッシュメントを組み合わせた一般族の特定インスタンス化を開発する。 シミュレーションおよび実データ実験は収束理論を実証的に検証し、この手法によって生成されたサンプルが最先端のMCMC法に匹敵する品質であることを示す。

関連論文リスト

• Consistency Flow Matching: Defining Straight Flows with Velocity Consistency [97.28511135503176]
  本稿では,速度場の自己整合性を明示する新しいFM法であるConsistency Flow Matching(Consistency-FM)を紹介する。 予備実験により、一貫性FMは、一貫性モデルよりも4.4倍速く収束することにより、トレーニング効率を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-07-02T16:15:37Z)
• Quantum Normalizing Flows for Anomaly Detection [23.262276593120305]
  量子アーキテクチャのための正規化フローを導入し、そのようなフローをモデル化し最適化する方法を説明し、サンプルデータセット上でメソッドを評価する。 提案モデルでは,従来の手法と比較して,異常検出の競合性能を示す。 実験では, 森林の隔離, 局所降水率 (LOF) , 単一クラスSVMとの比較を行った。
  論文  参考訳（メタデータ） (2024-02-05T10:28:20Z)
• Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
  半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。 スパース・アンミキシングの代替手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-23T10:07:41Z)
• Detecting and Mitigating Mode-Collapse for Flow-based Sampling of Lattice Field Theories [6.222204646855336]
  格子場理論の文脈における正規化流れのモード崩壊の結果について検討する。 本稿では,モード崩壊の度合いを定量化し,その結果の偏りを導出する指標を提案する。
  論文  参考訳（メタデータ） (2023-02-27T19:00:22Z)
• 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)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)
• Integrable Nonparametric Flows [5.9774834479750805]
  本稿では,無限小変化のみを仮定した無限小正規化フローを確率分布に再構成する手法を提案する。 これは、フローの正規化という従来のタスクを逆転させる。 量子モンテカルロ問題と機械学習の潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2020-12-03T16:19:52Z)
• Gaussianization Flows [113.79542218282282]
  そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。 この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
  論文  参考訳（メタデータ） (2020-03-04T08:15:06Z)
• Stochastic Normalizing Flows [2.323220706791067]
  単純な事前分布の変換を学習するために,フローの正規化が有効であることを示す。 サンプルとフローパラメータの両方をエンドツーエンドに最適化できる効率的なトレーニング手順を導出する。 いくつかのベンチマークでSNFの表現力,サンプリング効率,正当性について述べる。
  論文  参考訳（メタデータ） (2020-02-16T23:29:32Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。