論文の概要: Riemannian Diffusion Schr\"odinger Bridge

• arxiv url: http://arxiv.org/abs/2207.03024v1
• Date: Thu, 7 Jul 2022 00:35:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-09 04:43:32.229819
• Title: Riemannian Diffusion Schr\"odinger Bridge
• Title（参考訳）: リーマン拡散シュル=オディンガー橋
• Authors: James Thornton, Michael Hutchinson, Emile Mathieu, Valentin De Bortoli, Yee Whye Teh, Arnaud Doucet
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.20669989459281
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Score-based generative models exhibit state of the art performance on density estimation and generative modeling tasks. These models typically assume that the data geometry is flat, yet recent extensions have been developed to synthesize data living on Riemannian manifolds. Existing methods to accelerate sampling of diffusion models are typically not applicable in the Riemannian setting and Riemannian score-based methods have not yet been adapted to the important task of interpolation of datasets. To overcome these issues, we introduce \emph{Riemannian Diffusion Schr\"odinger Bridge}. Our proposed method generalizes Diffusion Schr\"odinger Bridge introduced in \cite{debortoli2021neurips} to the non-Euclidean setting and extends Riemannian score-based models beyond the first time reversal. We validate our proposed method on synthetic data and real Earth and climate data.
• Abstract（参考訳）: スコアベース生成モデルは密度推定および生成モデリングタスクにおける技術性能の状態を示す。 これらのモデルは一般にデータ幾何が平坦であると仮定するが、最近の拡張はリーマン多様体上のデータを合成するために開発されている。 拡散モデルのサンプリングを加速する既存の方法はリーマン設定では一般的に適用されず、リーマンスコアベースの手法はデータセットの補間の重要なタスクにまだ適用されていない。 これらの問題を克服するために、我々は 'emph{Riemannian Diffusion Schr\"odinger Bridge} を紹介する。 提案手法は,Diffusion Schr\"odinger Bridgeを非ユークリッド的な設定に一般化し,リーマンの楽譜に基づくモデルを初めて逆転を超えて拡張する。 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。

関連論文リスト

• Score matching for sub-Riemannian bridge sampling [2.048226951354646]
  機械学習の最近の進歩は、サブリーマン勾配上でのスコア近似器のトレーニングを可能にするために修正することができる。 本研究では,ハイゼンベルク層群における橋梁プロセスの試料の数値実験を行い,その濃度を短時間で測定した。
  論文  参考訳（メタデータ） (2024-04-23T17:45:53Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• 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 [57.396578974401734]
  一般多様体上に生成拡散過程を構築するための原理的枠組みを導入する。 従来の拡散モデルの認知的アプローチに従う代わりに、橋梁プロセスの混合を用いて拡散過程を構築する。 混合過程を幾何学的に理解し,データ点への接する方向の重み付け平均としてドリフトを導出する。
  論文  参考訳（メタデータ） (2023-10-11T06:04:40Z)
• 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)
• Visualizing Riemannian data with Rie-SNE [0.0]
  古典的な近傍埋め込みアルゴリズムを一般リーマン多様体のデータに拡張する。 標準的な仮定をリーマン拡散式に置き換え、効率的な近似を提案する。 このアプローチは、例えば高次元球面から低次元球面へのような、ある多様体から別の多様体へのデータのマッピングを可能にする。
  論文  参考訳（メタデータ） (2022-03-17T11:21:44Z)
• Riemannian Score-Based Generative Modeling [56.20669989459281]
  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。
  論文  参考訳（メタデータ） (2022-02-06T11:57:39Z)
• Bayesian Quadrature on Riemannian Data Manifolds [79.71142807798284]
  データに固有の非線形幾何学構造をモデル化する原則的な方法が提供される。 しかし、これらの演算は通常計算的に要求される。 特に、正規法則上の積分を数値計算するためにベイズ二次(bq)に焦点を当てる。 先行知識と活発な探索手法を両立させることで,BQは必要な評価回数を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2021-02-12T17:38:04Z)

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。