論文の概要: Diffeomorphic Measure Matching with Kernels for Generative Modeling
- arxiv url: http://arxiv.org/abs/2402.08077v1
- Date: Mon, 12 Feb 2024 21:44:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 17:30:19.339836
- Title: Diffeomorphic Measure Matching with Kernels for Generative Modeling
- Title（参考訳）: ジェネレーティブモデリングのためのカーネルとの拡散型計測
- Authors: Biraj Pandey, Bamdad Hosseini, Pau Batlle, and Houman Owhadi
- Abstract要約: 本稿では、常微分方程式(ODE)と再生成ケルネルヒルベルト空間(RKHS)を用いて、最小分散生成モデリングおよびサンプリングに向けた確率測度を伝達するための枠組みを提案する。
提案手法の理論的解析を行い,モデルの複雑さ,トレーニングセット内のサンプル数,モデルの誤識別という観点から,事前誤差境界を与える。
- 参考スコア（独自算出の注目度）: 1.2058600649065618
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article presents a general framework for the transport of probability
measures towards minimum divergence generative modeling and sampling using
ordinary differential equations (ODEs) and Reproducing Kernel Hilbert Spaces
(RKHSs), inspired by ideas from diffeomorphic matching and image registration.
A theoretical analysis of the proposed method is presented, giving a priori
error bounds in terms of the complexity of the model, the number of samples in
the training set, and model misspecification. An extensive suite of numerical
experiments further highlights the properties, strengths, and weaknesses of the
method and extends its applicability to other tasks, such as conditional
simulation and inference.
- Abstract（参考訳）: 本稿では,正規微分方程式 (odes) と再生成核ヒルベルト空間 (rkhss) を用いた最小発散生成モデリングおよびサンプリングへの確率測度の移動に関する一般的な枠組みについて述べる。
提案手法の理論的解析を行い,モデルの複雑さ,トレーニングセット内のサンプル数,モデルの誤識別という観点から,事前誤差境界を与える。
広範な数値実験は、この手法の特性、強度、弱点をさらに強調し、条件付きシミュレーションや推論など他のタスクにも適用性を広げている。
関連論文リスト
- Symmetry-Aware Generative Modeling through Learned Canonicalization [20.978208085043455]
対称密度の生成モデリングは、薬物発見から物理シミュレーションまで、AIの科学への応用範囲がある。
我々は、軌道毎の1つの代表要素のみが学習されるように、学習された密度のスライスをモデル化することを提案する。
分子モデルに関する予備実験の結果は有望であり, 改良された試料品質と高速な推論時間を示す。
論文 参考訳（メタデータ） (2025-01-14T01:08:15Z) - Identification and Estimation of Simultaneous Equation Models Using Higher-Order Cumulant Restrictions [9.10992754495906]
線形連立方程式モデルにおける構造パラメータの同定は、経済学および関連する分野における基本的な課題である。
任意の対角的高累積条件下では、構造パラメータ行列は固有ベクトル問題を解くことで同定可能であることを示す。
我々のフレームワークは、それをテストする透過的な方法を提供する。
論文 参考訳（メタデータ） (2025-01-12T11:27:39Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory [87.00653989457834]
条件付き拡散モデルは現代の画像合成の基礎となり、計算生物学や強化学習などの分野に広く応用されている。
経験的成功にもかかわらず、条件拡散モデルの理論はほとんど欠落している。
本稿では,条件拡散モデルを用いた分布推定の急激な統計的理論を提示することにより,ギャップを埋める。
論文 参考訳（メタデータ） (2024-03-18T17:08:24Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - 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 Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z)
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。