Fugu-MT 論文翻訳(概要): Learning to Sample Better

論文の概要: Learning to Sample Better

arxiv url: http://arxiv.org/abs/2310.11232v1
Date: Tue, 17 Oct 2023 13:03:49 GMT
ステータス: 処理完了
システム内更新日: 2023-10-18 16:01:02.275238
Title: Learning to Sample Better
Title（参考訳）: より良いサンプルを学ぶ
Authors: Michael S. Albergo and Eric Vanden-Eijnden
Abstract要約: 講義ノートは、生成的モデリング手法の最近の進歩について紹介する。これらの手法のモンテカルロ(MC)サンプリング技術への応用に特に重点を置いている。
参考スコア（独自算出の注目度）: 17.52152250433226
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: These lecture notes provide an introduction to recent advances in generative modeling methods based on the dynamical transportation of measures, by means of which samples from a simple base measure are mapped to samples from a target measure of interest. Special emphasis is put on the applications of these methods to Monte-Carlo (MC) sampling techniques, such as importance sampling and Markov Chain Monte-Carlo (MCMC) schemes. In this context, it is shown how the maps can be learned variationally using data generated by MC sampling, and how they can in turn be used to improve such sampling in a positive feedback loop.
Abstract（参考訳）: これらの講義ノートは、簡単な基準測度からのサンプルを対象測度からのサンプルにマッピングすることで、測定の動的輸送に基づく生成モデリング手法の最近の進歩を紹介するものである。重要サンプリングやマルコフ連鎖モンテカルロ (MCMC) スキームのようなモンテカルロ (MC) サンプリング技術へのこれらの手法の適用に特に重点を置いている。この文脈では、MCサンプリングによって生成されたデータを用いて、どのようにマップを変動的に学習するか、そして、そのようなサンプリングを正のフィードバックループで改善するためにどのように使用できるかを示す。

関連論文リスト

TraceMesh: Scalable and Streaming Sampling for Distributed Traces [51.08892669409318]
TraceMeshは、分散トレースのためのスケーラブルでストリーミングなサンプリングツールである。以前は見つからなかったトレース機能を、統一的で合理化された方法で扱える。 TraceMeshは、サンプリング精度と効率の両方において、最先端の手法よりも大幅に優れている。
論文参考訳（メタデータ） (2024-06-11T06:13:58Z)
Accelerating Markov Chain Monte Carlo sampling with diffusion models [0.0]
本稿では,Metropolis-Hastingsアルゴリズムと拡散モデルを組み合わせることで,マルコフ・チェイン・モンテカルロ(MCMC)サンプリングを高速化する新しい手法を提案する。画像合成の文脈における拡散モデルについて概観し、低次元データアレイに適した流線形拡散モデルを提供する。提案手法は,後方の正確な表現を得るために必要な可能性評価の回数を大幅に削減する。
論文参考訳（メタデータ） (2023-09-04T09:03:41Z)
Structured Voronoi Sampling [61.629198273926676]
本稿では,勾配に基づく手法を用いた言語モデルから抽出する原理的アプローチの構築に向けて重要な一歩を踏み出す。我々は勾配に基づく構造ヴォロノイサンプリング(Structured Voronoi Smpling, SVS)と呼ぶ。制御された生成タスクでは、SVSは流動的で多様なサンプルを生成できるが、制御対象は他の方法よりもはるかに優れている。
論文参考訳（メタデータ） (2023-06-05T17:32:35Z)
Reweighted Manifold Learning of Collective Variables from Enhanced Sampling Simulations [2.6009298669020477]
多様体学習のための異方性拡散写像に基づくフレームワークを提供する。この枠組みは平衡密度を正確に記述したCVを生じるバイアス効果を逆転させることを示す。標準および改良されたサンプリングシミュレーションから得られたデータについて,多くの多様体学習手法で利用できることを示す。
論文参考訳（メタデータ） (2022-07-29T08:59:56Z)
Low-variance estimation in the Plackett-Luce model via quasi-Monte Carlo sampling [58.14878401145309]
PLモデルにおいて,より標本効率の高い予測値を生成するための新しい手法を開発した。 Amazon MusicのリアルなレコメンデーションデータとYahooの学習からランクへの挑戦を理論的にも実証的にも使用しています。
論文参考訳（メタデータ） (2022-05-12T11:15:47Z)
Particle Dynamics for Learning EBMs [83.59335980576637]
エネルギーベースモデリングは教師なし学習への有望なアプローチであり、単一のモデルから多くの下流アプリケーションを生み出す。コントラスト的アプローチ(contrastive approach)"でエネルギーベースモデルを学習する際の主な困難は、各イテレーションで現在のエネルギー関数からサンプルを生成することである。本稿では,これらのサンプルを取得し,現行モデルからの粗大なMCMCサンプリングを回避するための代替手法を提案する。
論文参考訳（メタデータ） (2021-11-26T23:41:07Z)
A Survey of Monte Carlo Methods for Parameter Estimation [0.0]
本稿では,信号処理応用における静的パラメータ推定のためのモンテカルロ法について検討する。 MCスキームの開発に関する歴史的注記も提供され、続いて基本MC法とリジェクションサンプリング(RS)アルゴリズムの簡潔な記述がなされている。
論文参考訳（メタデータ） (2021-07-25T14:57:58Z)
Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文参考訳（メタデータ） (2021-02-04T02:21:08Z)
Markov-Chain Monte Carlo Approximation of the Ideal Observer using Generative Adversarial Networks [14.792685152780795]
医用イメージングシステムを信号検出タスクに最適化する際には,Ideal Observer (IO) の性能が提唱されている。 IOテスト統計を近似するため,マルコフ・チェイン・モンテカルロ法(MCMC)を用いたサンプリング法が開発されている。 GAN(Generative Adversarial Network)を用いたディープラーニング手法は、画像データからオブジェクトモデルを学ぶことを大いに約束する。
論文参考訳（メタデータ） (2020-01-26T21:51:08Z)
Targeted stochastic gradient Markov chain Monte Carlo for hidden Markov models with rare latent states [48.705095800341944]
隠れマルコフモデルのためのマルコフ連鎖モンテカルロ (MCMC) アルゴリズムは、しばしば前向きのサンプリング器に依存する。これにより、時系列の長さが増加するにつれて計算が遅くなり、サブサンプリングベースのアプローチの開発が動機となる。本稿では,パラメータの勾配を計算する際に,希少な潜伏状態に対応するオーバーサンプリング観測を対象とするサブサンプリング手法を提案する。
論文参考訳（メタデータ） (2018-10-31T17:44:20Z)

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。