論文の概要: Deep Momentum Multi-Marginal Schr\"odinger Bridge
- arxiv url: http://arxiv.org/abs/2303.01751v1
- Date: Fri, 3 Mar 2023 07:24:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 15:50:40.236206
- Title: Deep Momentum Multi-Marginal Schr\"odinger Bridge
- Title(参考訳): 深部運動量多角形schr\"odinger橋
- Authors: Tianrong Chen, Guan-Horng Liu, Molei Tao, Evangelos A. Theodorou
- Abstract要約: 粗い時間間隔での分布からのサンプルのみを用いた人口動態の再構築は重要な課題である。
フローベースモデルやSchr"odinger Bridgeモデルといった最近のデータ駆動型アプローチは、魅力的な性能を示している。
我々は$underline$eep $underlineM$omentum Multi-Marginal $underlineS$chr"odinger $underlineB$ridge(DMSB)を提案する。
- 参考スコア(独自算出の注目度): 33.53684881070043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstructing population dynamics using only samples from distributions at
coarse time intervals is a crucial challenge. Recent data-driven approaches
such as flow-based models or Schr\"odinger Bridge models have demonstrated
appealing performance, yet the inferred sample trajectories either fail to
account for the underlying stochasticity or are unnecessarily rigid. In this
article, we propose $\underline{D}$eep $\underline{M}$omentum Multi-Marginal
$\underline{S}$chr\"odinger $\underline{B}$ridge(DMSB), a novel computational
framework that learns the smooth measure-valued spline for stochastic systems
without violating the position marginal constraints across time. We first
extend the scalable mean matching objective used in the state space SB
algorithm into the phase space. We next carefully craft a multi-constraint
optimization training method based on Bregman Iteration that enables effective
phase space means matching training for the high-dimensional dataset. We
demonstrate that the resulting training algorithm significantly outperforms
baselines on both synthetic datasets and a real-world single-cell RNA sequence
dataset.
- Abstract(参考訳): 粗い時間間隔での分布からのサンプルのみを用いた人口動態の再構築は重要な課題である。
フローベースモデルやschr\"odinger bridgeモデルのような最近のデータ駆動アプローチは魅力的な性能を示しているが、推定されたサンプル軌道は、基礎となる確率性や不必要な剛性を考慮していない。
本稿では,確率系に対するスムーズな測度値スプラインの学習を行う新しい計算フレームワークである$\underline{D}$eep $\underline{M}$omentum Multi-Marginal $\underline{S}$chr\"odinger $\underline{B}$ridge(DMSB)を提案する。
まず、状態空間SBアルゴリズムで使用される拡張平均マッチングの目的を位相空間に拡張する。
次に,高次元データセットに対する効果的な位相空間マッチングトレーニングを可能にするbregman反復に基づくマルチコンストラクション最適化トレーニング手法を慎重に作成する。
その結果得られたトレーニングアルゴリズムは,合成データセットと実世界の単細胞rnaシーケンスデータセットの両方のベースラインを著しく上回っている。
関連論文リスト
- A Specialized Semismooth Newton Method for Kernel-Based Optimal
Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。
SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文 参考訳(メタデータ) (2023-10-21T18:48:45Z) - Generative Modeling with Phase Stochastic Bridges [52.919600985186996]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳(メタデータ) (2023-10-11T18:38:28Z) - Generative modeling for time series via Schr{\"o}dinger bridge [0.0]
本稿では,SB (Schr'dinger Bridge) に基づく時系列生成モデルを提案する。
これは、経路空間上の基準確率測度と、時系列の合同データ分布と整合した目標測度との間の最適輸送によるエントロピックから構成される。
論文 参考訳(メタデータ) (2023-04-11T09:45:06Z) - Aligned Diffusion Schr\"odinger Bridges [64.48263879451069]
Diffusion Schr"odinger Bridges (DSBs) は、最近、異なる時間点における限界観測を通してダイナミクスを回復するための強力なフレームワークとして登場した。
これまで、DSBを解くための既存のアルゴリズムは、整列データの構造を活用できなかった。
本稿では,データアライメントを尊重しながらDSBを初めて解決する新しいアルゴリズムフレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-22T14:55:57Z) - Transport with Support: Data-Conditional Diffusion Bridges [18.933928516349397]
制約付き時系列データ生成タスクを解決するために,Iterative Smoothing Bridge (ISB)を導入する。
我々は,ISBが高次元データによく一般化し,計算効率が高く,中間時間と終時間における限界値の正確な推定値を提供することを示した。
論文 参考訳(メタデータ) (2023-01-31T13:50:16Z) - Jump-Diffusion Langevin Dynamics for Multimodal Posterior Sampling [3.4483987421251516]
本研究では, 複合メトロポリス法とランゲヴィン法(Langevin sample method)の合成および実データに対するジャンプ拡散法(Jump Diffusion)に類似した性能について検討した。
その結果, 純勾配系およびサンプリング系において, 混合サンプリングジャンプの慎重な校正が有意に優れていることが判明した。
論文 参考訳(メタデータ) (2022-11-02T17:35:04Z) - A fast asynchronous MCMC sampler for sparse Bayesian inference [10.535140830570256]
本稿では,非常に高速なマルコフ・チェイン・モンテカルロ(MCMC)サンプリングフレームワークを提案する。
本研究では, 高次元線形回帰問題において, 提案アルゴリズムで生成したマルコフ連鎖は, 主信号の正確な復元を行う不変分布を持つことを示す。
論文 参考訳(メタデータ) (2021-08-14T02:20:49Z) - Sample-Efficient Reinforcement Learning Is Feasible for Linearly
Realizable MDPs with Limited Revisiting [60.98700344526674]
線形関数表現のような低複雑度モデルがサンプル効率のよい強化学習を可能にする上で重要な役割を果たしている。
本稿では,オンライン/探索的な方法でサンプルを描画するが,制御不能な方法で以前の状態をバックトラックし,再訪することができる新しいサンプリングプロトコルについて検討する。
この設定に合わせたアルゴリズムを開発し、特徴次元、地平線、逆の準最適ギャップと実際にスケールするサンプル複雑性を実現するが、状態/作用空間のサイズではない。
論文 参考訳(メタデータ) (2021-05-17T17:22:07Z) - Nearly Dimension-Independent Sparse Linear Bandit over Small Action
Spaces via Best Subset Selection [71.9765117768556]
本研究では,高次元線形モデルの下での文脈的帯域問題について考察する。
この設定は、パーソナライズされたレコメンデーション、オンライン広告、パーソナライズされた医療など、不可欠な応用を見出す。
本稿では,最適部分集合選択法を用いて2重成長エポックを推定する手法を提案する。
論文 参考訳(メタデータ) (2020-09-04T04:10:39Z) - Gravitational-wave parameter estimation with autoregressive neural
network flows [0.0]
深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。
正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。
可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
論文 参考訳(メタデータ) (2020-02-18T15:44:04Z)
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。