論文の概要: User-defined Event Sampling and Uncertainty Quantification in Diffusion
Models for Physical Dynamical Systems
- arxiv url: http://arxiv.org/abs/2306.07526v1
- Date: Tue, 13 Jun 2023 03:42:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 15:11:47.730314
- Title: User-defined Event Sampling and Uncertainty Quantification in Diffusion
Models for Physical Dynamical Systems
- Title(参考訳): 物理力学系の拡散モデルにおけるユーザ定義イベントサンプリングと不確実性定量化
- Authors: Marc Finzi, Anudhyan Boral, Andrew Gordon Wilson, Fei Sha, Leonardo
Zepeda-N\'u\~nez
- Abstract要約: 拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。
本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。
推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
- 参考スコア(独自算出の注目度): 49.75149094527068
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models are a class of probabilistic generative models that have
been widely used as a prior for image processing tasks like text conditional
generation and inpainting. We demonstrate that these models can be adapted to
make predictions and provide uncertainty quantification for chaotic dynamical
systems. In these applications, diffusion models can implicitly represent
knowledge about outliers and extreme events; however, querying that knowledge
through conditional sampling or measuring probabilities is surprisingly
difficult. Existing methods for conditional sampling at inference time seek
mainly to enforce the constraints, which is insufficient to match the
statistics of the distribution or compute the probability of the chosen events.
To achieve these ends, optimally one would use the conditional score function,
but its computation is typically intractable. In this work, we develop a
probabilistic approximation scheme for the conditional score function which
provably converges to the true distribution as the noise level decreases. With
this scheme we are able to sample conditionally on nonlinear userdefined events
at inference time, and matches data statistics even when sampling from the
tails of the distribution.
- Abstract(参考訳): 拡散モデルは確率的生成モデルの一種であり、テキスト条件生成やインパインティングといった画像処理タスクに先立って広く用いられてきた。
これらのモデルは,カオス力学系の予測や不確実性定量化に適応可能であることを示す。
これらのアプリケーションでは、拡散モデルは、異常値や極端な事象に関する知識を暗黙的に表現することができるが、条件付きサンプリングや確率測定による知識のクエリは驚くほど難しい。
既存の条件付きサンプリングの方法は、主に、分布の統計と一致したり、選択した事象の確率を計算するのに不十分な制約を強制することを目的としている。
これらの目的を達成するために、最適に条件スコア関数を使うが、計算は通常難解である。
本研究では,雑音レベルが低下するにつれて実分布に確実に収束する条件付きスコア関数の確率的近似法を開発する。
このスキームにより、推定時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングしてもデータ統計にマッチする。
関連論文リスト
- SMURF-THP: Score Matching-based UnceRtainty quantiFication for
Transformer Hawkes Process [76.98721879039559]
SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。
具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。
我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
論文 参考訳(メタデータ) (2023-10-25T03:33:45Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳(メタデータ) (2023-10-25T02:37:51Z) - Debias Coarsely, Sample Conditionally: Statistical Downscaling through
Optimal Transport and Probabilistic Diffusion Models [15.623456909553786]
非ペアデータを用いた統計的ダウンスケーリングのための2段階確率的フレームワークを提案する。
本研究では, 1次元および2次元流体問題に対する提案手法の有用性を実証する。
論文 参考訳(メタデータ) (2023-05-24T23:40:23Z) - A Flow-Based Generative Model for Rare-Event Simulation [0.483420384410068]
本研究では,正規化フロー生成モデルを用いて,条件分布から直接サンプルをシミュレートする手法を提案する。
希少な分布から直接シミュレートすることで、希少な事象の発生の仕方において重要な洞察を得ることができることを示す。
論文 参考訳(メタデータ) (2023-05-13T08:25:57Z) - Bi-Noising Diffusion: Towards Conditional Diffusion Models with
Generative Restoration Priors [64.24948495708337]
本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。
我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
論文 参考訳(メタデータ) (2022-12-14T17:26:35Z) - Spectral Representation Learning for Conditional Moment Models [33.34244475589745]
本研究では,不適切度を制御した表現を自動学習する手法を提案する。
本手法は,条件付き期待演算子のスペクトル分解によって定義される線形表現を近似する。
この表現をデータから効率的に推定できることを示し、得られた推定値に対してL2整合性を確立する。
論文 参考訳(メタデータ) (2022-10-29T07:48:29Z) - Autoregressive Quantile Flows for Predictive Uncertainty Estimation [7.184701179854522]
高次元変数上の確率モデルの柔軟なクラスである自己回帰量子フローを提案する。
これらのモデルは、適切なスコアリングルールに基づいて、新しい目的を用いて訓練された自己回帰フローの例である。
論文 参考訳(メタデータ) (2021-12-09T01:11:26Z) - Adversarial sampling of unknown and high-dimensional conditional
distributions [0.0]
本稿では, GAN (Generative Adversarial Network) と呼ばれるデータ駆動方式を用いて, サンプリング法と基礎分布の推定を行う。
GANは、2つの競合するニューラルネットワークをトレーニングし、トレーニングセット分布からサンプルを効果的に生成できるネットワークを生成する。
提案アルゴリズムのすべてのバージョンは, 対象条件分布を, サンプルの品質に最小限の影響で効果的にサンプリングできることが示されている。
論文 参考訳(メタデータ) (2021-11-08T12:23:38Z) - CSDI: Conditional Score-based Diffusion Models for Probabilistic Time
Series Imputation [107.63407690972139]
Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。
CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。
さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
論文 参考訳(メタデータ) (2021-07-07T22:20:24Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳(メタデータ) (2021-02-22T07:02:37Z)
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。