論文の概要: Diffusion Schr\"odinger Bridge Matching
- arxiv url: http://arxiv.org/abs/2303.16852v1
- Date: Wed, 29 Mar 2023 16:59:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 13:55:08.946598
- Title: Diffusion Schr\"odinger Bridge Matching
- Title(参考訳): Diffusion Schr\"odinger Bridge Matching
- Authors: Yuyang Shi, Valentin De Bortoli, Andrew Campbell, Arnaud Doucet
- Abstract要約: 本稿では,輸送問題を解決するための新しい手法であるIterative Markovian Fittingを紹介する。
また、IMFの反復計算のための新しい数値アルゴリズムであるDiffusion Schr"odinger Bridge Matchingを紹介する。
- 参考スコア(独自算出の注目度): 24.55335753110917
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Solving transport problems, i.e. finding a map transporting one given
distribution to another, has numerous applications in machine learning. Novel
mass transport methods motivated by generative modeling have recently been
proposed, e.g. Denoising Diffusion Models (DDMs) and Flow Matching Models
(FMMs) implement such a transport through a Stochastic Differential Equation
(SDE) or an Ordinary Differential Equation (ODE). However, while it is
desirable in many applications to approximate the deterministic dynamic Optimal
Transport (OT) map which admits attractive properties, DDMs and FMMs are not
guaranteed to provide transports close to the OT map. In contrast,
Schr\"odinger bridges (SBs) compute stochastic dynamic mappings which recover
entropy-regularized versions of OT. Unfortunately, existing numerical methods
approximating SBs either scale poorly with dimension or accumulate errors
across iterations. In this work, we introduce Iterative Markovian Fitting, a
new methodology for solving SB problems, and Diffusion Schr\"odinger Bridge
Matching (DSBM), a novel numerical algorithm for computing IMF iterates. DSBM
significantly improves over previous SB numerics and recovers as
special/limiting cases various recent transport methods. We demonstrate the
performance of DSBM on a variety of problems.
- Abstract(参考訳): 輸送問題の解決、すなわちある分布を別の分布に輸送する地図を見つけることは、機械学習に多くの応用がある。
生成的モデルに動機づけられた新しい質量移動法が最近提案されており、例えば、分極拡散モデル(ddms)とフローマッチングモデル(fmms)は、そのような移動を確率微分方程式(sde)または常微分方程式(ode)で実装している。
しかし、多くの応用において、魅力的な特性を持つ決定論的動的最適輸送(OT)マップを近似することが望ましいが、DDMとFMMはOTマップに近い輸送を提供することが保証されていない。
対照的に、Schr\"odinger bridges (SBs) は OT のエントロピー規則化されたバージョンを復元する確率的動的写像を計算する。
残念なことに、SBを近似する既存の数値法は、次元のスケールが低かったり、繰り返しにまたがってエラーを蓄積する。
本稿では,SB問題を解決するための新しい手法であるIterative Markovian Fittingと,IMFの反復計算のための新しい数値アルゴリズムであるDiffusion Schr\"odinger Bridge Matching (DSBM)を紹介する。
DSBMは従来のSB数値よりも大幅に改善され、様々な最近の輸送方法の特殊な/制限ケースとして回復する。
様々な問題についてDSBMの性能を実証する。
関連論文リスト
- Light and Optimal Schr\"odinger Bridge Matching [72.88707358656869]
Schr"odinger Bridges (SB)は、最近、古典的拡散モデルの将来的な拡張としてMLコミュニティの注目を集めている。
SBの最近の解法は広範に橋梁整合法を利用している。
我々は、textbf Schr"odinger bridge matchingと呼ばれるSBを学習するための新しい手順を提案する。
EOT/SBを学習するための最適橋梁マッチングは,最近発見されたエネルギーベースモデリング(EBM)の目標と一致することを示す。
論文 参考訳(メタデータ) (2024-02-05T17:17:57Z) - Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。
画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文 参考訳(メタデータ) (2023-11-02T02:05:38Z) - Efficient Neural Network Approaches for Conditional Optimal Transport
with Applications in Bayesian Inference [1.866895151196396]
静的および動的条件付き最適輸送(COT)問題の解を近似する2つのニューラルネットワーク手法を提案する。
提案手法は,対象条件分布をトラクタブルな参照分布の変換として表現する。
PCP-Mapは、部分的に入力された凸ニューラルネットワーク(PICNN)の勾配として条件付きトランスポートマップをモデル化し、計算効率を向上させるために新しい数値実装を使用する。
COT-Flowは、正規化されたニューラルODEの流れを介して条件付き輸送をモデル化する。
論文 参考訳(メタデータ) (2023-10-25T20:20:09Z) - Denoising Diffusion Bridge Models [54.87947768074036]
拡散モデルは、プロセスを使用してデータにノイズをマッピングする強力な生成モデルである。
画像編集のような多くのアプリケーションでは、モデル入力はランダムノイズではない分布から来る。
本研究では, DDBM(Denoising Diffusion Bridge Models)を提案する。
論文 参考訳(メタデータ) (2023-09-29T03:24:24Z) - Diffusion Bridge Mixture Transports, Schr\"odinger Bridge Problems and
Generative Modeling [4.831663144935879]
本稿では, 動的シュリンガー橋問題の解法を目的とした, サンプリング型反復型拡散橋混合法 (IDBM) を提案する。
IDBM手順は、各イテレーションにおける目標確率測度間の有効な輸送を実現するという魅力的な性質を示す。
論文 参考訳(メタデータ) (2023-04-03T12:13:42Z) - Modiff: Action-Conditioned 3D Motion Generation with Denoising Diffusion
Probabilistic Models [58.357180353368896]
本稿では,現実的で多様な3D骨格に基づく運動生成問題に対処するために,拡散確率モデル(DDPM)の利点を生かした条件付きパラダイムを提案する。
我々はDDPMを用いてカテゴリ的動作で条件付けられた動作列の可変数を合成する先駆的な試みである。
論文 参考訳(メタデータ) (2023-01-10T13:15:42Z) - The Schr\"odinger Bridge between Gaussian Measures has a Closed Form [101.79851806388699]
我々は OT の動的定式化(Schr"odinger bridge (SB) 問題)に焦点を当てる。
本稿では,ガウス測度間のSBに対する閉形式表現について述べる。
論文 参考訳(メタデータ) (2022-02-11T15:59:01Z) - Diffusion Schr\"odinger Bridge with Applications to Score-Based
Generative Modeling [24.46142828617484]
Diffusion SB は、Schr"odinger Bridge 問題を解くために、Iterative Proportional Fitting (IPF) 手順のオリジナル近似である。
本稿では,SB問題の解法としてIterative Proportional Fitting (IPF) 法のオリジナル近似であるDiffusion SBを提案する。
論文 参考訳(メタデータ) (2021-06-01T17:34:27Z)
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。