Fugu-MT 論文翻訳(概要): Spectral Diffusion Processes

論文の概要: Spectral Diffusion Processes

arxiv url: http://arxiv.org/abs/2209.14125v1
Date: Wed, 28 Sep 2022 14:23:41 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 16:21:24.823330
Title: Spectral Diffusion Processes
Title（参考訳）: スペクトル拡散過程
Authors: Angus Phillips, Thomas Seror, Michael Hutchinson, Valentin De Bortoli, Arnaud Doucet, Emile Mathieu
Abstract要約: スコアベース生成モデリング(SGM)は有限次元空間上の密度をモデル化するための非常に効果的な手法であることが証明されている。我々はスペクトル空間の関数データを表現し、プロセスの一部を時空間部分から解離させる。
参考スコア（独自算出の注目度）: 26.510979162244304
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Score-based generative modelling (SGM) has proven to be a very effective method for modelling densities on finite-dimensional spaces. In this work we propose to extend this methodology to learn generative models over functional spaces. To do so, we represent functional data in spectral space to dissociate the stochastic part of the processes from their space-time part. Using dimensionality reduction techniques we then sample from their stochastic component using finite dimensional SGM. We demonstrate our method's effectiveness for modelling various multimodal datasets.
Abstract（参考訳）: スコアベース生成モデリング(SGM)は有限次元空間上の密度をモデル化するための非常に効果的な手法であることが証明されている。本研究では,関数空間上で生成モデルを学ぶために,この手法を拡張することを提案する。そのため、スペクトル空間における関数データを表現し、その過程の確率的部分を時空部分から分離する。次元性低減技術を用いて,有限次元sgmを用いて確率成分をサンプリングする。様々なマルチモーダルデータセットをモデル化するための手法の有効性を示す。

関連論文リスト

Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文参考訳（メタデータ） (2023-07-11T16:51:38Z)
Functional Flow Matching [14.583771853250008]
本稿では,最近導入されたフローマッチングモデルを一般化した関数空間生成モデルを提案する。我々の手法は確率やシミュレーションに頼らず、関数空間の設定に適している。我々は,FFM法が最近提案した関数空間生成モデルより優れていることを示す実世界のベンチマーク実験を行った。
論文参考訳（メタデータ） (2023-05-26T19:07:47Z)
Trans-Dimensional Generative Modeling via Jump Diffusion Models [46.183265841345644]
本稿では,様々な次元のデータを自然に扱う生成モデルの新たなクラスを提案する。まず、時間反転生成過程を生成する次元を導出する前に、前方ノイズ発生過程を破壊する次元を定義する。時間反転生成過程に対する学習近似をシミュレーションし、様々な次元のデータをサンプリングする効果的な方法を提供する。
論文参考訳（メタデータ） (2023-05-25T17:15:00Z)
Clustering based on Mixtures of Sparse Gaussian Processes [6.939768185086753]
低次元の組込み空間を使ってデータをクラスタする方法は、マシンラーニングにおいて依然として難しい問題である。本稿では,クラスタリングと次元還元の両立を目的とした共同定式化を提案する。我々のアルゴリズムはスパースガウス過程の混合に基づいており、スパースガウス過程混合クラスタリング(SGP-MIC)と呼ばれる。
論文参考訳（メタデータ） (2023-03-23T20:44:36Z)
Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文参考訳（メタデータ） (2023-02-14T23:50:53Z)
Diffusion Generative Models in Infinite Dimensions [10.15736468214228]
拡散生成モデルを一般化して関数空間で直接操作する。関数空間の観点の大きな利点は、開発中の関数空間を明示的に指定できることです。提案手法により,関数値データの条件付き生成と条件付き生成を両立させることができる。
論文参考訳（メタデータ） (2022-12-01T21:54:19Z)
Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
論文参考訳（メタデータ） (2022-05-18T17:11:23Z)
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)
On Contrastive Representations of Stochastic Processes [53.21653429290478]
プロセスの表現を学習することは、機械学習の新たな問題である。本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
論文参考訳（メタデータ） (2021-06-18T11:00:24Z)
Learning High-Dimensional Distributions with Latent Neural Fokker-Planck Kernels [67.81799703916563]
低次元潜在空間におけるフォッカー・プランク方程式の解法として問題を定式化する新しい手法を導入する。提案モデルでは,潜在分散モーフィング,ジェネレータ,パラメータ化Fokker-Planckカーネル関数からなる。
論文参考訳（メタデータ） (2021-05-10T17:42:01Z)
Generative Archimedean Copulas [27.705956325584026]
多次元累積分布関数(CDF)をコーミュラ形式で学習するための新しい生成モデリング手法を提案する。我々はアルキメデスと階層的アルキメデスのコプラと呼ばれるある種のコプラを、その相似表現と異なる尾の依存関係をモデル化する能力で人気があると考えている。
論文参考訳（メタデータ） (2021-02-22T20:45:40Z)

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。