論文の概要: Probability flow solution of the Fokker-Planck equation
- arxiv url: http://arxiv.org/abs/2206.04642v1
- Date: Thu, 9 Jun 2022 17:37:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-10 16:24:04.342562
- Title: Probability flow solution of the Fokker-Planck equation
- Title(参考訳): Fokker-Planck方程式の確率フロー解
- Authors: Nicholas M. Boffi and Eric Vanden-Eijnden
- Abstract要約: 確率の流れを記述した常微分方程式の統合に基づく代替スキームを導入する。
力学とは異なり、この方程式は決定論的に初期密度からのサンプルを後から溶液のサンプルにプッシュする。
我々のアプローチは、生成モデルのためのスコアベース拡散の最近の進歩に基づいている。
- 参考スコア(独自算出の注目度): 10.484851004093919
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The method of choice for integrating the time-dependent Fokker-Planck
equation in high-dimension is to generate samples from the solution via
integration of the associated stochastic differential equation. Here, we
introduce an alternative scheme based on integrating an ordinary differential
equation that describes the flow of probability. Unlike the stochastic
dynamics, this equation deterministically pushes samples from the initial
density onto samples from the solution at any later time. The method has the
advantage of giving direct access to quantities that are challenging to
estimate only given samples from the solution, such as the probability current,
the density itself, and its entropy. The probability flow equation depends on
the gradient of the logarithm of the solution (its "score"), and so is a-priori
unknown. To resolve this dependence, we model the score with a deep neural
network that is learned on-the-fly by propagating a set of particles according
to the instantaneous probability current. Our approach is based on recent
advances in score-based diffusion for generative modeling, with the important
difference that the training procedure is self-contained and does not require
samples from the target density to be available beforehand. To demonstrate the
validity of the approach, we consider several examples from the physics of
interacting particle systems; we find that the method scales well to
high-dimensional systems, and accurately matches available analytical solutions
and moments computed via Monte-Carlo.
- Abstract(参考訳): 時間依存fokker-planck方程式を高次元に積分する方法は、関連する確率微分方程式の積分を通じて解からサンプルを生成することである。
本稿では,確率の流れを記述した常微分方程式の統合に基づく代替スキームを提案する。
確率力学とは異なり、この方程式は決定論的に初期密度からのサンプルを後で解からサンプルにプッシュする。
この方法は、確率電流、密度そのもの、エントロピーなど、溶液から与えられたサンプルのみを推定することが難しい量に直接アクセスできるという利点がある。
確率フロー方程式は解の対数("score")の勾配に依存するため、a-priori も未知である。
この依存性を解決するために,瞬時確率電流に応じて粒子群を伝播させることにより,オンザフライで学習する深層ニューラルネットワークを用いてスコアをモデル化する。
本手法は, 生成モデルにおけるスコアベース拡散の最近の進歩に基づいており, 学習手順が自己完結であり, 目標密度からのサンプルを事前に必要としないという重要な違いがある。
このアプローチの妥当性を示すために、相互作用する粒子系の物理からいくつかの例を考察し、この手法が高次元系によく適用され、モンテカルロによって計算される利用可能な解析解とモーメントと正確に一致することを見出した。
関連論文リスト
- Noise-Free Sampling Algorithms via Regularized Wasserstein Proximals [3.4240632942024685]
ポテンシャル関数が支配する分布からサンプリングする問題を考察する。
本研究は, 決定論的な楽譜に基づくMCMC法を提案し, 粒子に対する決定論的進化をもたらす。
論文 参考訳(メタデータ) (2023-08-28T23:51:33Z) - Sobolev Space Regularised Pre Density Models [51.558848491038916]
本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。
この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
論文 参考訳(メタデータ) (2023-07-25T18:47:53Z) - MESSY Estimation: Maximum-Entropy based Stochastic and Symbolic densitY
Estimation [4.014524824655106]
MESSY推定は最大エントロピーに基づくグラディエントおよびシンボリックデンシット推定法である。
本研究では,未知分布関数のサンプルを推定記号表現に接続する勾配に基づくドリフト拡散過程を構築する。
基本関数の記号探索を追加することで, 推定精度を合理的な計算コストで向上することがわかった。
論文 参考訳(メタデータ) (2023-06-07T03:28:47Z) - Stochastic Interpolants: A Unifying Framework for Flows and Diffusions [16.95541777254722]
フローベースおよび拡散ベースを統一する生成モデルのクラスを紹介する。
これらのモデルは、Albergo & VandenEijnden (2023) で提案されたフレームワークを拡張し、確率補間子と呼ばれる広範囲の連続時間プロセスの使用を可能にする。
これらの補間材は、2つの所定の密度のデータと、橋を柔軟に形作る追加の潜伏変数を組み合わせることで構築される。
論文 参考訳(メタデータ) (2023-03-15T17:43:42Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic
Representation [62.017505017414564]
教師なしの方法でニューラルソルバを訓練することが不可欠である。
既存の手法は妥当な精度を達成し、重要な計算課題と不正確なシミュレーションをもたらす。
PDEの確率的表現を用いて教師なしニューラルソルバを訓練するためのモンテカルロPDEソルバを提案する。
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) - A blob method method for inhomogeneous diffusion with applications to
multi-agent control and sampling [0.6562256987706128]
重み付き多孔質媒質方程式(WPME)に対する決定論的粒子法を開発し,その収束性を時間間隔で証明する。
提案手法は,マルチエージェントカバレッジアルゴリズムや確率測定のサンプリングに自然に応用できる。
論文 参考訳(メタデータ) (2022-02-25T19:49:05Z) - Large-Scale Wasserstein Gradient Flows [84.73670288608025]
ワッサーシュタイン勾配流を近似するスケーラブルなスキームを導入する。
我々のアプローチは、JKOステップを識別するために、入力ニューラルネットワーク(ICNN)に依存しています。
その結果、勾配拡散の各ステップで測定値からサンプリングし、その密度を計算することができる。
論文 参考訳(メタデータ) (2021-06-01T19:21:48Z) - Variational Transport: A Convergent Particle-BasedAlgorithm for
Distributional Optimization [95.67541186704399]
分散最適化問題は機械学習や統計学で広く発生する。
本研究では,ワッサースタイン勾配降下を概ね行う,変分輸送と呼ばれる新しい粒子ベースアルゴリズムを提案する。
目的関数がpolyak-Lojasiewicz (PL) (Polyak, 1963) の機能バージョンと滑らかな条件を満たすとき、変分輸送は線形に収束することを示す。
論文 参考訳(メタデータ) (2020-12-21T18:33:13Z) - Stochastic Saddle-Point Optimization for Wasserstein Barycenters [69.68068088508505]
オンラインデータストリームによって生成される有限個の点からなるランダムな確率測度に対する人口推定バリセンタ問題を考察する。
本稿では,この問題の構造を用いて,凸凹型サドル点再構成を行う。
ランダム確率測度の分布が離散的な場合、最適化アルゴリズムを提案し、その複雑性を推定する。
論文 参考訳(メタデータ) (2020-06-11T19:40:38Z)
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。