論文の概要: Convergence of score-based generative modeling for general data
distributions
- arxiv url: http://arxiv.org/abs/2209.12381v1
- Date: Mon, 26 Sep 2022 02:38:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 15:39:46.745411
- Title: Convergence of score-based generative modeling for general data
distributions
- Title(参考訳): 一般データ分布に対するスコアベース生成モデリングの収束
- Authors: Holden Lee, Jianfeng Lu, Yixin Tan
- Abstract要約: 機能的不等式や強い滑らかさの仮定を満たすデータ分布に依存しない拡散モデルに収束保証を与える。
ワッサーシュタイン距離保証は、有界な支持あるいは十分に崩壊するテールの分布に対して、さらに滑らかな仮定を持つ分布に対するテレビ保証と同様に得られる。
- 参考スコア(独自算出の注目度): 9.953088581242845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We give polynomial convergence guarantees for denoising diffusion models that
do not rely on the data distribution satisfying functional inequalities or
strong smoothness assumptions. Assuming a $L^2$-accurate score estimate, we
obtain Wasserstein distance guarantees for any distributions of bounded support
or sufficiently decaying tails, as well as TV guarantees for distributions with
further smoothness assumptions.
- Abstract(参考訳): 関数の不等式や強い滑らかさの仮定を満たすデータ分布に依存しない拡散モデルに多項式収束保証を与える。
l^2$-正確なスコア推定を仮定すると、有界な支持または十分に減衰した尾の分布に対するワッサースタイン距離保証と、さらに滑らかな仮定を持つ分布に対するtv保証が得られる。
関連論文リスト
- Non-asymptotic Convergence of Discrete-time Diffusion Models: New
Approach and Improved Rate [54.596887384531236]
我々は離散時間拡散モデルの下で、分布のかなり大きなクラスに対する収束保証を確立する。
パラメータ依存を明示した分布の興味深いクラスに対して,結果の専門化を行う。
本稿では,新しい加速サンプリング器を提案し,対応する正則サンプリング器の収束率を桁違いに向上することを示す。
論文 参考訳(メタデータ) (2024-02-21T16:11:47Z) - Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。
提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文 参考訳(メタデータ) (2024-02-13T09:40:19Z) - Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳(メタデータ) (2024-01-29T02:08:40Z) - On diffusion-based generative models and their error bounds: The
log-concave case with full convergence estimates [3.8447306272420816]
我々は,強い対数空間データ分布を仮定して,拡散に基づく生成モデルの収束挙動を理論的に保証する。
我々は、モチベーションの例を通して、未知の平均を持つガウス分布からサンプリングし、我々のアプローチの強力さを実証する。
この手法はサンプリングアルゴリズムにおいて最もよく知られた収束率をもたらす。
論文 参考訳(メタデータ) (2023-11-22T18:40:45Z) - Probabilistic Matching of Real and Generated Data Statistics in
Generative Adversarial Networks [0.10878040851637999]
本稿では,あるデータ統計量の分布が実データの分布と一致することを確実にする手法を提案する。
提案手法を合成データセットと実世界のデータセットで評価し,提案手法の性能向上を実証した。
論文 参考訳(メタデータ) (2023-06-19T14:03:27Z) - Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳(メタデータ) (2023-02-14T17:02:35Z) - Wasserstein Distributionally Robust Optimization via Wasserstein
Barycenters [10.103413548140848]
確率分布の一定距離内にデータサンプルから構築した名目分布から,最も有害な分布下で良好に機能するデータ駆動決定を求める。
本稿では,複数の情報源からのデータサンプルの集約として,Wasserstein Barycenterという概念を用いて,分散的に頑健な最適化問題における名目分布を構築することを提案する。
論文 参考訳(メタデータ) (2022-03-23T02:03:47Z) - Robust Estimation for Nonparametric Families via Generative Adversarial
Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。
我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。
技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文 参考訳(メタデータ) (2022-02-02T20:11:33Z) - Wasserstein Generative Learning of Conditional Distribution [6.051520664893158]
条件分布学習のためのワッサーシュタイン生成手法を提案する。
提案手法により生成された条件付きサンプリング分布の非漸近誤差境界を確立する。
論文 参考訳(メタデータ) (2021-12-19T01:55:01Z) - Distribution Approximation and Statistical Estimation Guarantees of
Generative Adversarial Networks [82.61546580149427]
GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。
本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
論文 参考訳(メタデータ) (2020-02-10T16:47:57Z)
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。