論文の概要: Multimarginal generative modeling with stochastic interpolants
- arxiv url: http://arxiv.org/abs/2310.03695v1
- Date: Thu, 5 Oct 2023 17:12:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 15:11:17.402634
- Title: Multimarginal generative modeling with stochastic interpolants
- Title(参考訳): 確率補間子を用いたマルチマルジナル生成モデル
- Authors: Michael S. Albergo, Nicholas M. Boffi, Michael Lindsey, Eric
Vanden-Eijnden
- Abstract要約: 確率密度のセットをK$とすると、密度を余剰値として回復する共同分布を学習するマルチマージ生成モデル問題を考える。
我々は補間フレームワークの一般化の中で,この課題に対するアプローチを定式化する。
我々の生成モデルは、単純なアルゴリズム目的の最小化要因として特徴づけられる速度とスコアフィールドによって定義される。
- 参考スコア(独自算出の注目度): 15.520853806024943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given a set of $K$ probability densities, we consider the multimarginal
generative modeling problem of learning a joint distribution that recovers
these densities as marginals. The structure of this joint distribution should
identify multi-way correspondences among the prescribed marginals. We formalize
an approach to this task within a generalization of the stochastic interpolant
framework, leading to efficient learning algorithms built upon dynamical
transport of measure. Our generative models are defined by velocity and score
fields that can be characterized as the minimizers of simple quadratic
objectives, and they are defined on a simplex that generalizes the time
variable in the usual dynamical transport framework. The resulting transport on
the simplex is influenced by all marginals, and we show that multi-way
correspondences can be extracted. The identification of such correspondences
has applications to style transfer, algorithmic fairness, and data
decorruption. In addition, the multimarginal perspective enables an efficient
algorithm for reducing the dynamical transport cost in the ordinary
two-marginal setting. We demonstrate these capacities with several numerical
examples.
- Abstract(参考訳): 確率密度のセットをK$とすると、これらの密度を余剰値として回復する共同分布を学習するマルチマージ生成モデル問題を考える。
この結合分布の構造は、所定の辺縁間の多方向対応を識別すべきである。
我々は,確率的補間フレームワークの一般化において,この課題に対するアプローチを定式化し,測度の動的移動に基づく効率的な学習アルゴリズムを実現する。
我々の生成モデルは、単純な2次対象の最小値として特徴づけられる速度場とスコア場によって定義され、通常の動的輸送フレームワークにおける時間変数を一般化する単純な上で定義される。
その結果、単純集合上のトランスポートは全ての辺数に影響され、多方向対応を抽出できることを示した。
このような対応の同定は、スタイル転送、アルゴリズムの公正性、データの破壊に応用できる。
さらに,マルチマルジナル・パースペクティブは,通常の2つのマルジナル・セッティングにおける動的輸送コストを低減する効率的なアルゴリズムを実現する。
これらの容量をいくつかの数値例で示す。
関連論文リスト
- Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。
連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-12-23T21:27:19Z) - Generating Origin-Destination Matrices in Neural Spatial Interaction Models [11.188781092933313]
エージェントベースモデル(ABM)は、交通、経済、疫学の政策分野にわたる意思決定ツールとして急速に普及している。
中心となる対象は、位置間の相互作用とエージェントの移動数をキャプチャする離散原点決定行列である。
既存のアプローチでは、ABMシミュレーションとキャリブレーションを実行するために、この行列の連続的な近似と、その後のアドホックな判別を利用する。
これは、部分的に観測された要約統計の条件付けを妨げ、離散的なサポートを越えてマルチモーダル行列分布の探索に失敗し、離散化エラーを引き起こす。
論文 参考訳(メタデータ) (2024-10-09T18:09:02Z) - Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。
因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
論文 参考訳(メタデータ) (2024-06-07T14:29:21Z) - Generative Assignment Flows for Representing and Learning Joint Distributions of Discrete Data [2.6499018693213316]
離散確率変数の結合確率分布の表現のための新しい生成モデルを提案する。
このアプローチでは、分解分布の統計部分多様体上のランダム化代入フローによる測度輸送を用いる。
論文 参考訳(メタデータ) (2024-06-06T21:58:33Z) - Amortizing intractable inference in large language models [56.92471123778389]
難治性後部分布のサンプルとして, 償却ベイズ推定を用いる。
我々は,LLMファインチューニングの分散マッチングパラダイムが,最大習熟の代替となることを実証的に実証した。
重要な応用として、チェーン・オブ・ソート推論を潜在変数モデリング問題として解釈する。
論文 参考訳(メタデータ) (2023-10-06T16:36:08Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳(メタデータ) (2023-08-28T18:48:34Z) - A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。
ブレグマン最小化の発散の観点から一般的な枠組みを開発する。
我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
論文 参考訳(メタデータ) (2021-12-07T01:23:20Z) - Implicit MLE: Backpropagating Through Discrete Exponential Family
Distributions [24.389388509299543]
Implicit Maximum Likelihood Estimationは、離散指数族分布と微分可能なニューラル成分を組み合わせたモデルのエンドツーエンド学習のためのフレームワークである。
I-MLEは、問題固有の緩和に依存する既存のアプローチよりも優れており、しばしば優れていることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:42:21Z) - Efficient Marginalization of Discrete and Structured Latent Variables
via Sparsity [26.518803984578867]
離散的な(分類的または構造化された)潜在変数を持つニューラルネットワークモデルを訓練することは、計算的に困難である。
典型的には、真の限界のサンプリングに基づく近似に頼っている。
そこで本研究では,これらの推定器を高精度かつ効率的なマージン化によって置き換える新たなトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2020-07-03T19:36:35Z) - Learning Diverse Representations for Fast Adaptation to Distribution
Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。
分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文 参考訳(メタデータ) (2020-06-12T12:23:50Z)
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。