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
- 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) - A Heat Diffusion Perspective on Geodesic Preserving Dimensionality
Reduction [66.21060114843202]
熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。
その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。
また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
論文 参考訳(メタデータ) (2023-05-30T13:58:50Z) - Infinite-Dimensional Diffusion Models [4.342241136871849]
拡散に基づく生成モデルを無限次元で定式化し、関数の生成モデルに適用する。
我々の定式化は無限次元の設定においてよく成り立っていることを示し、サンプルから目標測度への次元非依存距離境界を提供する。
また,無限次元拡散モデルの設計ガイドラインも作成する。
論文 参考訳(メタデータ) (2023-02-20T18:00:38Z) - 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) - 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。