論文の概要: Simulation-free Schr\"odinger bridges via score and flow matching

• arxiv url: http://arxiv.org/abs/2307.03672v1
• Date: Fri, 7 Jul 2023 15:42:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 12:00:30.556691
• Title: Simulation-free Schr\"odinger bridges via score and flow matching
• Title（参考訳）: スコアとフローマッチングによるシュリンガーブリッジのシミュレーションフリー化
• Authors: Alexander Tong, Nikolay Malkin, Kilian Fatras, Lazar Atanackovic, Yanlei Zhang, Guillaume Huguet, Guy Wolf, Yoshua Bengio
• Abstract要約: [SF]$2$Mは、任意の分布から引き出された未ペアソースとターゲットサンプルを推論するためのシミュレーション不要な目的である。 [SF]$2$Mは、細胞動態を高次元で正確にモデル化し、シミュレーションデータから既知の遺伝子制御ネットワークを復元する最初の方法である。
• 参考スコア（独自算出の注目度）: 111.12070699495024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present simulation-free score and flow matching ([SF]$^2$M), a simulation-free objective for inferring stochastic dynamics given unpaired source and target samples drawn from arbitrary distributions. Our method generalizes both the score-matching loss used in the training of diffusion models and the recently proposed flow matching loss used in the training of continuous normalizing flows. [SF]$^2$M interprets continuous-time stochastic generative modeling as a Schr\"odinger bridge (SB) problem. It relies on static entropy-regularized optimal transport, or a minibatch approximation, to efficiently learn the SB without simulating the learned stochastic process. We find that [SF]$^2$M is more efficient and gives more accurate solutions to the SB problem than simulation-based methods from prior work. Finally, we apply [SF]$^2$M to the problem of learning cell dynamics from snapshot data. Notably, [SF]$^2$M is the first method to accurately model cell dynamics in high dimensions and can recover known gene regulatory networks from simulated data.
• Abstract（参考訳）: 任意の分布から抽出した非対流源と対象試料から確率力学を推定するシミュレーションフリーの目標である,シュミレーションフリースコアとフローマッチング([sf]$^2$m)を提案する。 本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続正規化フローのトレーニングに使用されるフローマッチング損失の両方を一般化する。 [SF]$^2$Mは、連続時間確率的生成モデリングをSchr\"odinger Bridge (SB)問題として解釈する。 学習確率過程をシミュレートすることなくSBを効率的に学習するために、静的エントロピー規則化された最適輸送(ミニバッチ近似)に依存する。 我々は, [SF]$^2$Mの方が効率が高く, 従来のシミュレーション手法よりもSB問題に対するより正確な解が得られることを示した。 最後に,スナップショットデータからセルダイナミクスを学習する問題に対して [SF]$^2$M を適用する。 特に、[SF]$^2$Mは、高次元の細胞動態を正確にモデル化し、シミュレーションデータから既知の遺伝子制御ネットワークを復元する最初の方法である。

関連論文リスト

• Beyond Closure Models: Learning Chaotic-Systems via Physics-Informed Neural Operators [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• Adversarial Schrödinger Bridge Matching [66.39774923893103]
  反復マルコフフィッティング(IMF)手順は、マルコフ過程の相互射影と相互射影を交互に交互に行う。 本稿では、プロセスの学習を離散時間でほんの少しの遷移確率の学習に置き換える新しい離散時間IMF(D-IMF)手順を提案する。 D-IMFの手続きは、数百ではなく数世代のステップで、IMFと同じ品質の未完成のドメイン翻訳を提供できることを示す。
  論文  参考訳（メタデータ） (2024-05-23T11:29:33Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Flow Annealed Importance Sampling Bootstrap [11.458583322083125]
  Flow AIS Bootstrap (FAB) は複雑なターゲット分布を近似したトラクタブル密度モデルである。 その結果,FABは,目標評価の100倍の精度で,MDサンプルの最大値によるトレーニングよりも優れた結果が得られることがわかった。 我々は、ターゲット密度のみを用いて、アラニンジペプチド分子のボルツマン分布を初めて知る。
  論文  参考訳（メタデータ） (2022-08-03T07:44:48Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• FKreg: A MATLAB toolbox for fast Multivariate Kernel Regression [5.090316990822874]
  非一様FFT(NUFFT)を用いた高速多変量カーネル回帰のための新しいツールボックスを提案する。 NUFFTは$Oleft(N+Mlog M right)$複雑さと精度制御性を備えた$M$グリッドポイントのアルゴリズムを実装している。 帯域幅選択問題は、Fast Monte-Carloを用いて自由度を推定する。
  論文  参考訳（メタデータ） (2022-04-16T04:52:44Z)
• Learning Free-Surface Flow with Physics-Informed Neural Networks [0.0]
  物理インフォームドニューラルネットワーク(PINN)の概念に基づいて構築し,浅層水モデル(SWE)の領域で採用する。 これらのモデルは、洪水波伝播や津波波のような自由表面流れのシナリオをモデル化し、シミュレーションする上で重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-11-17T18:45:55Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Borrowing From the Future: Addressing Double Sampling in Model-free Control [8.282602586225833]
  本稿では,BFFアルゴリズムをアクション値関数に基づくモデルフリー制御に拡張する。 BFF が非バイアスの SGD に近づき、基礎となる力学が動作に関してゆっくりと変化する。
  論文  参考訳（メタデータ） (2020-06-11T03:50:37Z)

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。