論文の概要: Metropolis Sampling for Constrained Diffusion Models
- arxiv url: http://arxiv.org/abs/2307.05439v2
- Date: Thu, 9 Nov 2023 16:58:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-10 17:58:10.546237
- Title: Metropolis Sampling for Constrained Diffusion Models
- Title(参考訳): 制限拡散モデルのためのメトロポリスサンプリング
- Authors: Nic Fishman, Leo Klarner, Emile Mathieu, Michael Hutchinson, Valentin
de Bortoli
- Abstract要約: 近年,画像領域における生成モデルの主要なパラダイムとして拡散モデルが出現している。
我々は、ブラウン運動を反映した、別の単純ノルマント化スキームを導入する。
- 参考スコア(独自算出の注目度): 11.488860260925504
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Denoising diffusion models have recently emerged as the predominant paradigm
for generative modelling on image domains. In addition, their extension to
Riemannian manifolds has facilitated a range of applications across the natural
sciences. While many of these problems stand to benefit from the ability to
specify arbitrary, domain-informed constraints, this setting is not covered by
the existing (Riemannian) diffusion model methodology. Recent work has
attempted to address this issue by constructing novel noising processes based
on the reflected Brownian motion and logarithmic barrier methods. However, the
associated samplers are either computationally burdensome or only apply to
convex subsets of Euclidean space. In this paper, we introduce an alternative,
simple noising scheme based on Metropolis sampling that affords substantial
gains in computational efficiency and empirical performance compared to the
earlier samplers. Of independent interest, we prove that this new process
corresponds to a valid discretisation of the reflected Brownian motion. We
demonstrate the scalability and flexibility of our approach on a range of
problem settings with convex and non-convex constraints, including applications
from geospatial modelling, robotics and protein design.
- Abstract(参考訳): 近年,画像領域における生成モデルの主要なパラダイムとして拡散モデルが出現している。
さらに、リーマン多様体へのそれらの拡張は、自然科学の幅広い応用を促進した。
これらの問題の多くは、任意のドメインに依存しない制約を指定する能力の恩恵を受けるが、この設定は既存の(リーマン的)拡散モデル方法論には適用されない。
最近の研究は、反射ブラウン運動と対数障壁法に基づく新しいノーミングプロセスを構築してこの問題に対処しようと試みている。
しかし、関連するサンプルは計算的に重荷となるか、ユークリッド空間の凸部分集合にのみ適用される。
本稿では,メトロポリスのサンプリングをベースとした,従来のサンプルに比べて計算効率と経験的性能を大幅に向上させる,簡易な表記法を提案する。
独立利害関係において、この新しい過程は反射ブラウン運動の正当な離散化に対応することが証明される。
我々は,空間モデリング,ロボット工学,タンパク質設計などの応用を含む,凸制約や非凸制約を伴う様々な問題設定に対するアプローチのスケーラビリティと柔軟性を実証する。
関連論文リスト
- On diffusion models for amortized inference: Benchmarking and improving
stochastic control and sampling [96.7808454149545]
本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。
シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。
我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
論文 参考訳(メタデータ) (2024-02-07T18:51:49Z) - Projected Generative Diffusion Models for Constraint Satisfaction [51.957984732779245]
生成拡散モデルは、逐次過程を通じて生ノイズからコヒーレントな内容の合成に優れる。
本稿では,従来の拡散サンプリングを制約最適化経路に再キャストすることで,これらの課題を克服することを目的とする。
論文 参考訳(メタデータ) (2024-02-05T22:18:16Z) - Reflected Schr\"odinger Bridge for Constrained Generative Modeling [16.72888494254555]
反射拡散モデルは、現実の応用における大規模生成モデルのゴートメソッドとなっている。
本稿では,様々な領域内でデータを生成するために最適化されたエントロピー規則化された最適輸送手法であるReflectioned Schrodinger Bridgeアルゴリズムを紹介する。
提案アルゴリズムは,多様な領域におけるロバストな生成モデリングを実現し,そのスケーラビリティは,標準画像ベンチマークによる実世界の制約付き生成モデリングにおいて実証される。
論文 参考訳(メタデータ) (2024-01-06T14:39:58Z) - Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion
Processes [67.80645464187688]
多様体上に生成過程を構築するための原理的枠組みを導入する。
混合プロセスは、最も可能性の高いエンドポイントに向かって漂流誘導することを特徴とする。
混合過程を学習するための簡易かつ効率的な学習目標を提案する。
論文 参考訳(メタデータ) (2023-10-11T06:04:40Z) - Multi-Response Heteroscedastic Gaussian Process Models and Their
Inference [1.52292571922932]
本稿ではヘテロセダスティック共分散関数のモデリングのための新しいフレームワークを提案する。
後部モデルに近似し, 後部予測モデルを容易にするために, 変分推論を用いる。
提案するフレームワークは,幅広いアプリケーションに対して,堅牢で汎用的なツールを提供する。
論文 参考訳(メタデータ) (2023-08-29T15:06:47Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - 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) - Diffusion Models for Constrained Domains [11.488860260925504]
我々は, (i) 対数障壁距離と (ii) 制約によって誘導されるブラウン運動に基づく2つの異なる雑音化過程を示す。
次に、ロボット工学やタンパク質設計の応用を含む、多くの合成および実世界のタスクにおいて、我々の手法の実用性を実証する。
論文 参考訳(メタデータ) (2023-04-11T17:19:45Z) - Riemannian Diffusion Models [11.306081315276089]
拡散モデルは画像生成と推定のための最新の最先端手法である。
本研究では、連続時間拡散モデルを任意のリーマン多様体に一般化する。
提案手法は,全てのベンチマークにおいて新しい最先端の可能性を実現する。
論文 参考訳(メタデータ) (2022-08-16T21:18:31Z) - Riemannian Score-Based Generative Modeling [56.20669989459281]
経験的性能を示すスコアベース生成モデル(SGM)を紹介する。
現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。
これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
論文 参考訳(メタデータ) (2022-02-06T11:57:39Z)
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。