Fugu-MT 論文翻訳(概要): Deep Generative Modeling with Backward Stochastic Differential Equations

論文の概要: Deep Generative Modeling with Backward Stochastic Differential Equations

arxiv url: http://arxiv.org/abs/2304.04049v1
Date: Sat, 8 Apr 2023 15:37:38 GMT
ステータス: 処理完了
システム内更新日: 2023-04-11 18:06:56.567020
Title: Deep Generative Modeling with Backward Stochastic Differential Equations
Title（参考訳）: 後方確率微分方程式を用いた深部生成モデル
Authors: Xingcheng Xu
Abstract要約: 本稿では、後方微分方程式の柔軟性と深部ニューラルネットワークのパワーを組み合わせた、BSDE-Genと呼ばれる新しい深部生成モデルを提案する。生成モデリングプロセスにおける不確実性の取り込みにより、BSDE-Genは高次元データを生成するための効果的で自然なアプローチとなる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper proposes a novel deep generative model, called BSDE-Gen, which combines the flexibility of backward stochastic differential equations (BSDEs) with the power of deep neural networks for generating high-dimensional complex target data, particularly in the field of image generation. The incorporation of stochasticity and uncertainty in the generative modeling process makes BSDE-Gen an effective and natural approach for generating high-dimensional data. The paper provides a theoretical framework for BSDE-Gen, describes its model architecture, presents the maximum mean discrepancy (MMD) loss function used for training, and reports experimental results.
Abstract（参考訳）: 本稿では,後方確率微分方程式(bsdes)の柔軟性と,高次元複雑なターゲットデータを生成するディープニューラルネットワークのパワーを組み合わせた,bsde-genと呼ばれる新しい深層生成モデルを提案する。生成モデリングプロセスにおける確率性と不確実性の取り込みにより、BSDE-Genは高次元データを生成するための効果的で自然なアプローチとなる。本論文は,bsde-genの理論フレームワークを提供し,そのモデルアーキテクチャを説明し,トレーニングに使用する最大平均損失(mmd)関数を提示し,実験結果を報告する。

関連論文リスト

On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文参考訳（メタデータ） (2024-05-18T15:59:41Z)
CGNSDE: Conditional Gaussian Neural Stochastic Differential Equation for Modeling Complex Systems and Data Assimilation [1.4322470793889193]
条件付きニューラル微分方程式(CGNSDE)と呼ばれる新しい知識ベースおよび機械学習ハイブリッドモデリング手法を開発した。標準的なニューラルネットワーク予測モデルとは対照的に、CGNSDEは前方予測タスクと逆状態推定問題の両方に効果的に取り組むように設計されている。
論文参考訳（メタデータ） (2024-04-10T05:32:03Z)
Coupling Graph Neural Networks with Fractional Order Continuous Dynamics: A Robustness Study [24.950680319986486]
グラフニューラル分数次微分方程式(FDE)モデルのロバスト性について厳密に検討する。このフレームワークは、時間差分カプトー微分を実装することで、従来のグラフニューラル(整数階)常微分方程式(ODE)モデルを超えて拡張する。
論文参考訳（メタデータ） (2024-01-09T02:56:52Z)
CoCoGen: Physically-Consistent and Conditioned Score-based Generative Models for Forward and Inverse Problems [1.0923877073891446]
この研究は生成モデルの到達範囲を物理的問題領域に拡張する。基礎となるPDEとの整合性を促進するための効率的なアプローチを提案する。各種物理課題におけるスコアベース生成モデルの可能性と汎用性を示す。
論文参考訳（メタデータ） (2023-12-16T19:56:10Z)
Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
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)
HyperSINDy: Deep Generative Modeling of Nonlinear Stochastic Governing Equations [5.279268784803583]
本稿では,データからのスパース制御方程式の深部生成モデルを用いた動的モデリングフレームワークHyperSINDyを紹介する。一度訓練すると、HyperSINDyは、係数が白色雑音によって駆動される微分方程式を介して力学を生成する。実験では、HyperSINDyはデータと一致するように学習度をスケーリングすることで、基底的真理支配方程式を復元する。
論文参考訳（メタデータ） (2023-10-07T14:41:59Z)
Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。本稿では,階層型統合拡散モデル(HI-Diff)を提案する。人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文参考訳（メタデータ） (2023-05-22T12:18:20Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-18T22:41:51Z)
Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文参考訳（メタデータ） (2021-06-24T01:40:17Z)
Deep neural network enabled corrective source term approach to hybrid analysis and modeling [0.0]
ハイブリッド分析モデリング(Hybrid Analysis and Modeling, HAM)は、物理に基づくモデリングとデータ駆動モデリングを組み合わせることを目的とした、新しいモデリングパラダイムである。補正元項アプローチ(CoSTA)のHAMに対する新しいアプローチを導入し、正当化し、実証する。
論文参考訳（メタデータ） (2021-05-24T20:17:13Z)

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。