論文の概要: Diffusion-based inpainting of incomplete Euclidean distance matrices of trajectories generated by a fractional Brownian motion
- arxiv url: http://arxiv.org/abs/2404.07029v1
- Date: Wed, 10 Apr 2024 14:22:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-11 14:21:12.233130
- Title: Diffusion-based inpainting of incomplete Euclidean distance matrices of trajectories generated by a fractional Brownian motion
- Title(参考訳): 分数ブラウン運動によって生じる軌跡の不完全ユークリッド距離行列の拡散に基づく塗装
- Authors: Alexander Lobashev, Kirill Polovnikov,
- Abstract要約: フラクショナルブラウン軌道 (fBm) はランダム性と強いスケール自由相関を特徴とする。
ここでは,fBmの不完全距離行列に対応する劣化した画像の特定のデータセット上で,様々なメモリ指数において拡散確率モデルを検証した。
条件拡散生成は、fBm分布距離の統計を、異なる値の$H$指数で安定に再現する。
- 参考スコア(独自算出の注目度): 50.38638300332429
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fractional Brownian trajectories (fBm) feature both randomness and strong scale-free correlations, challenging generative models to reproduce the intrinsic memory characterizing the underlying process. Here we test a diffusion probabilistic model on a specific dataset of corrupted images corresponding to incomplete Euclidean distance matrices of fBm at various memory exponents $H$. Our dataset implies uniqueness of the data imputation in the regime of low missing ratio, where the remaining partial graph is rigid, providing the ground truth for the inpainting. We find that the conditional diffusion generation stably reproduces the statistics of missing fBm-distributed distances for different values of $H$ exponent. Furthermore, while diffusion models have been recently shown to remember samples from the training database, we show that diffusion-based inpainting behaves qualitatively different from the database search with the increasing database size. Finally, we apply our fBm-trained diffusion model with $H=1/3$ for completion of chromosome distance matrices obtained in single-cell microscopy experiments, showing its superiority over the standard bioinformatics algorithms. Our source code is available on GitHub at https://github.com/alobashev/diffusion_fbm.
- Abstract(参考訳): フラクショナルブラウン軌道 (fBm) はランダム性と強いスケール自由な相関を特徴とし、その基礎となる過程を特徴付ける固有の記憶を再現するために生成モデルに挑戦する。
ここでは,fBmの不完全距離行列に対応する劣化した画像の特定のデータセット上で,様々なメモリ指数において拡散確率モデルを検証した。
我々のデータセットは、残余部分グラフが剛性である低損失比のレギュレーションにおいて、データ計算の独特さを暗示し、インペインティングの基礎的真実を提供する。
条件拡散生成は、fBm分布距離の統計を、異なる値の$H$指数で安定に再現する。
さらに,近年,拡散モデルがトレーニングデータベースのサンプルを記憶していることが示されているが,拡散ベースのインパインティングはデータベースの検索と定性的に異なる挙動を示し,データベースのサイズが大きくなる。
最後に, 単細胞顕微鏡実験で得られた染色体距離行列の完成に$H=1/3$のfBm訓練拡散モデルを適用し, 標準バイオインフォマティクスアルゴリズムよりも優れていることを示す。
ソースコードはGitHubでhttps://github.com/alobashev/diffusion_fbm.comから入手可能です。
関連論文リスト
- Multiple-Source Localization from a Single-Snapshot Observation Using Graph Bayesian Optimization [10.011338977476804]
単一スナップショット観測によるマルチソースのローカライゼーションは、その頻度が原因で特に重要となる。
現在の方法は典型的には欲求選択を利用しており、通常は1つの拡散モデルと結合する。
そこで本研究では,BOSouLというシミュレーション手法を用いて,サンプル効率を近似する手法を提案する。
論文 参考訳(メタデータ) (2024-03-25T14:46:24Z) - Lecture Notes in Probabilistic Diffusion Models [0.5361320134021585]
拡散モデルは非平衡熱力学に基づいてゆるやかにモデル化される。
拡散モデルは、元のデータサンプルが属するデータ多様体を学習する。
拡散モデルは、変分オートエンコーダやフローモデルとは異なり、元のデータと同じ次元の潜伏変数を持つ。
論文 参考訳(メタデータ) (2023-12-16T09:36:54Z) - Projection Regret: Reducing Background Bias for Novelty Detection via
Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。
PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。
拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文 参考訳(メタデータ) (2023-12-05T09:44:47Z) - Mirror Diffusion Models for Constrained and Watermarked Generation [41.27274841596343]
ミラー拡散モデル(MDM)は、トラクタビリティを損なうことなく凸制約セット上のデータを生成する新しい拡散モデルである。
安全とプライバシーのために、我々は、生成したデータに目に見えないが定量的な情報を埋め込む新しいメカニズムとして制約セットを探求する。
私たちの研究は、複雑なドメイン上での抽出可能な拡散を学習する新しいアルゴリズムの機会をもたらします。
論文 参考訳(メタデータ) (2023-10-02T14:26:31Z) - Class-Balancing Diffusion Models [57.38599989220613]
クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。
提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識タスクにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2023-04-30T20:00:14Z) - Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳(メタデータ) (2023-02-14T17:02:35Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳(メタデータ) (2022-11-30T05:33:29Z) - Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。
既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。
本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
論文 参考訳(メタデータ) (2022-03-11T10:47:16Z) - Structured Denoising Diffusion Models in Discrete State-Spaces [15.488176444698404]
本稿では離散化拡散確率モデル(D3PM)を離散データに適用する。
遷移行列の選択は、画像およびテキスト領域における結果の改善につながる重要な設計決定である。
テキストでは、このモデルクラスは、LM1B上の大きな語彙にスケールしながら、文字レベルのテキスト生成に強い結果をもたらす。
論文 参考訳(メタデータ) (2021-07-07T04:11:00Z) - Identification of Anomalous Diffusion Sources by Unsupervised Learning [0.0]
フラクショナルブラウン運動(英: Fractional Brownian motion、fBm)は、輸送のメモリ効果が電力法則に従って平均2乗粒子の変位をもたらすユビキタス拡散過程である。
本稿では,非負行列因子化に基づく教師なし学習手法について報告する。
論文 参考訳(メタデータ) (2020-10-05T17:17:40Z)
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。