論文の概要: Two-stage Denoising Diffusion Model for Source Localization in Graph Inverse Problems

• arxiv url: http://arxiv.org/abs/2304.08841v1
• Date: Tue, 18 Apr 2023 09:11:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 15:26:39.038047
• Title: Two-stage Denoising Diffusion Model for Source Localization in Graph Inverse Problems
• Title（参考訳）: グラフ逆問題における音源定位のための2段階雑音拡散モデル
• Authors: Bosong Huang, Weihao Yu, Ruzhong Xie, Jing Xiao, Jin Huang
• Abstract要約: ソースローカライゼーションは、グラフ情報拡散の逆問題である。 本稿では,2段階最適化フレームワークであるソースローカライゼーション・デノナイズ拡散モデル(SL-Diff)を提案する。 SL-Diffは広範囲な実験で適切なサンプリング時間内に優れた予測結果が得られる。
• 参考スコア（独自算出の注目度）: 19.57064597050846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Source localization is the inverse problem of graph information dissemination and has broad practical applications. However, the inherent intricacy and uncertainty in information dissemination pose significant challenges, and the ill-posed nature of the source localization problem further exacerbates these challenges. Recently, deep generative models, particularly diffusion models inspired by classical non-equilibrium thermodynamics, have made significant progress. While diffusion models have proven to be powerful in solving inverse problems and producing high-quality reconstructions, applying them directly to the source localization is infeasible for two reasons. Firstly, it is impossible to calculate the posterior disseminated results on a large-scale network for iterative denoising sampling, which would incur enormous computational costs. Secondly, in the existing methods for this field, the training data itself are ill-posed (many-to-one); thus simply transferring the diffusion model would only lead to local optima. To address these challenges, we propose a two-stage optimization framework, the source localization denoising diffusion model (SL-Diff). In the coarse stage, we devise the source proximity degrees as the supervised signals to generate coarse-grained source predictions. This aims to efficiently initialize the next stage, significantly reducing its convergence time and calibrating the convergence process. Furthermore, the introduction of cascade temporal information in this training method transforms the many-to-one mapping relationship into a one-to-one relationship, perfectly addressing the ill-posed problem. In the fine stage, we design a diffusion model for the graph inverse problem that can quantify the uncertainty in the dissemination. The proposed SL-Diff yields excellent prediction results within a reasonable sampling time at extensive experiments.
• Abstract（参考訳）: ソースローカライゼーションはグラフ情報拡散の逆問題であり、幅広い応用がある。 しかし、情報伝達における固有の複雑さと不確実性は重大な課題を引き起こし、ソースローカライゼーション問題の誤った性質がこれらの課題をさらに悪化させる。 近年、深部生成モデル、特に古典的非平衡熱力学に触発された拡散モデルが大きな進展を遂げている。 拡散モデルは逆問題の解法や高品質な再構成に強力であることが証明されているが、それらを原産地に直接適用することは2つの理由から実現不可能である。 第一に, 大規模ネットワーク上での後方分散結果の計算は不可能であり, 膨大な計算コストを発生させる。 第二に、この分野の既存の方法では、トレーニングデータ自体が不適切な(一対一の)ため、拡散モデルを単に転送するだけで、局所的なオプティマにしかならない。 これらの課題に対処するため、我々は2段階最適化フレームワークSL-Diff(source localization denoising diffusion model)を提案する。 粗い段階では、ソース近接度を教師付き信号として考案し、粗い粒度のソース予測を生成する。 これは次の段階を効率的に初期化し、収束時間を大幅に削減し、収束過程を校正することを目的としている。 さらに、このトレーニング手法におけるカスケード時間情報の導入は、多対一のマッピング関係を1対1の関係に変換し、不適切な問題を完全に解決する。 詳細な段階では,拡散の不確かさを定量化できるグラフ逆問題に対する拡散モデルを設計する。 提案するsl-diffは広範な実験で適切なサンプリング時間内に優れた予測結果が得られる。

関連論文リスト

• G2D2: Gradient-guided Discrete Diffusion for image inverse problem solving [55.185588994883226]
  本稿では,従来の離散拡散に基づく画像生成モデルを活用することによって,線形逆問題に対処する新しい手法を提案する。 我々の知る限りでは、これは画像逆問題を解決するために離散拡散モデルに基づく先行手法を使う最初のアプローチである。
  論文  参考訳（メタデータ） (2024-10-09T06:18:25Z)
• Diffusion State-Guided Projected Gradient for Inverse Problems [82.24625224110099]
  逆問題に対する拡散状態ガイド型射影勾配(DiffStateGrad)を提案する。 DiffStateGrad は拡散過程の中間状態の低ランク近似である部分空間に測定勾配を投影する。 DiffStateGradは、測定手順のステップサイズとノイズの選択によって拡散モデルのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2024-10-04T14:26:54Z)
• Constrained Diffusion Models via Dual Training [80.03953599062365]
  拡散プロセスは、トレーニングデータセットのバイアスを反映したサンプルを生成する傾向がある。 所望の分布に基づいて拡散制約を付与し,制約付き拡散モデルを構築する。 本稿では,制約付き拡散モデルを用いて,目的と制約の最適なトレードオフを実現する混合データ分布から新しいデータを生成することを示す。
  論文  参考訳（メタデータ） (2024-08-27T14:25:42Z)
• Timestep-Aware Correction for Quantized Diffusion Models [28.265582848911574]
  本稿では,量子化誤差を動的に補正する量子化拡散モデルの時間ステップ対応補正法を提案する。 提案手法を低精度拡散モデルに応用することにより,出力品質の大幅な向上が期待できる。
  論文  参考訳（メタデータ） (2024-07-04T13:22:31Z)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• Multiple-Source Localization from a Single-Snapshot Observation Using Graph Bayesian Optimization [10.011338977476804]
  単一スナップショット観測によるマルチソースのローカライゼーションは、その頻度が原因で特に重要となる。 現在の方法は典型的には欲求選択を利用しており、通常は1つの拡散モデルと結合する。 そこで本研究では,BOSouLというシミュレーション手法を用いて,サンプル効率を近似する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-25T14:46:24Z)
• Solving Inverse Problems with Latent Diffusion Models via Hard Data Consistency [7.671153315762146]
  画素空間におけるトレーニング拡散モデルは、データ集約的かつ計算的に要求される。 非常に低次元空間で動作する潜在拡散モデルは、これらの課題に対する解決策を提供する。 我々は,事前学習した潜在拡散モデルを用いて,一般的な逆問題を解決するアルゴリズムであるtextitReSampleを提案する。
  論文  参考訳（メタデータ） (2023-07-16T18:42:01Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Source Localization of Graph Diffusion via Variational Autoencoders for Graph Inverse Problems [8.984898754363265]
  グラフ拡散の逆問題としてのソースローカライゼーションは極めて困難である。 本稿では,異なる候補源の不確実性を考慮した確率的手法に焦点をあてる。 7つの実世界のデータセット上で実験を行い、拡散源の再構築におけるSL-VAEの優位性を実証した。
  論文  参考訳（メタデータ） (2022-06-24T14:56:45Z)
• An Invertible Graph Diffusion Neural Network for Source Localization [8.811725212252544]
  本稿では,グラフ上のソースローカライゼーションのための非可逆グラフ拡散モデルの汎用的枠組みを確立することを目的とする。 具体的には,既存のグラフ拡散モデルを理論的保証で非可逆化するグラフ残差シナリオを提案する。 また,推定源の誤差を相殺する新しい誤り補償機構も開発している。
  論文  参考訳（メタデータ） (2022-06-18T14:35:27Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)

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。