論文の概要: Diffusion-HMC: Parameter Inference with Diffusion Model driven Hamiltonian Monte Carlo

• arxiv url: http://arxiv.org/abs/2405.05255v1
• Date: Wed, 8 May 2024 17:59:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-09 13:45:01.151761
• Title: Diffusion-HMC: Parameter Inference with Diffusion Model driven Hamiltonian Monte Carlo
• Title（参考訳）: 拡散-HMC:拡散モデル駆動ハミルトニアンモンテカルロによるパラメータ推論
• Authors: Nayantara Mudur, Carolina Cuesta-Lazaro, Douglas P. Finkbeiner,
• Abstract要約: この研究は、単一拡散生成モデルを用いて、観測された天体物理学分野の予測を理論から生成し、これらの予測を用いた観測から物理的モデルを制約する、相互に繋がった目的に対処する。 拡散生成モデルの近似的近似性を利用して、ハミルトニアンモンテカルロ法を用いて、与えられたテスト画像の宇宙論的パラメータの後方をサンプリングすることで、宇宙論の厳密な制約を導出する。
• 参考スコア（独自算出の注目度）: 2.048226951354646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion generative models have excelled at diverse image generation and reconstruction tasks across fields. A less explored avenue is their application to discriminative tasks involving regression or classification problems. The cornerstone of modern cosmology is the ability to generate predictions for observed astrophysical fields from theory and constrain physical models from observations using these predictions. This work uses a single diffusion generative model to address these interlinked objectives -- as a surrogate model or emulator for cold dark matter density fields conditional on input cosmological parameters, and as a parameter inference model that solves the inverse problem of constraining the cosmological parameters of an input field. The model is able to emulate fields with summary statistics consistent with those of the simulated target distribution. We then leverage the approximate likelihood of the diffusion generative model to derive tight constraints on cosmology by using the Hamiltonian Monte Carlo method to sample the posterior on cosmological parameters for a given test image. Finally, we demonstrate that this parameter inference approach is more robust to the addition of noise than baseline parameter inference networks.
• Abstract（参考訳）: 拡散生成モデルは、フィールド全体にわたる多様な画像生成および再構成タスクに優れています。 あまり解明されていない道は、回帰問題や分類問題を含む差別的タスクへの応用である。 現代の宇宙論の基盤は、観測された天体物理学分野の予測を理論から生成し、これらの予測を用いて観測から物理的モデルを制約する能力である。 この研究は、これらの相互結合対象に対処するために単一の拡散生成モデルを使用し、入力宇宙論パラメータに条件付き冷暗黒物質密度場の代理モデルまたはエミュレータとして、入力分野の宇宙論パラメータを制約する逆問題を解決するパラメータ推論モデルとして使用する。 モデルは、シミュレーション対象分布のものと一致した要約統計を用いて、フィールドをエミュレートすることができる。 次に,拡散生成モデルの近似的可能性を利用して,ハミルトニアンモンテカルロ法を用いて実験画像の後方の宇宙パラメータをサンプリングすることにより,宇宙論の厳密な制約を導出する。 最後に、このパラメータ推論手法は、ベースラインパラメータ推論ネットワークよりもノイズの付加に頑健であることを示す。

関連論文リスト

• Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
  拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。 遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
  論文  参考訳（メタデータ） (2024-06-21T01:32:03Z)
• Conditional score-based diffusion models for solving inverse problems in mechanics [6.319616423658121]
  条件付きスコアベース拡散モデルを用いてベイズ推定を行う枠組みを提案する。 条件付きスコアベース拡散モデルは条件分布のスコア関数を近似する生成モデルである。 メカニクスにおける高次元逆問題に対して提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-19T02:09:15Z)
• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• 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)
• Cosmological Field Emulation and Parameter Inference with Diffusion Models [2.3020018305241337]
  宇宙論において重要な2つの課題に対処するために拡散生成モデルを利用する。 シミュレーション対象分布と整合したパワースペクトルを持つフィールドを生成できることを示す。 さらに,パラメータ推論モデルとしての有用性を探求し,宇宙論的パラメータの厳密な制約を求める。
  論文  参考訳（メタデータ） (2023-12-12T18:58:42Z)
• Metropolis Sampling for Constrained Diffusion Models [11.488860260925504]
  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。
  論文  参考訳（メタデータ） (2023-07-11T17:05:23Z)
• 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)
• Flow-based sampling in the lattice Schwinger model at criticality [54.48885403692739]
  フローベースアルゴリズムは、格子場理論への応用のためのフィールド分布の効率的なサンプリングを提供することができる。 フェルミオン質量の臨界値におけるシュウィンガーモデルにおけるロバストな流れに基づくサンプリングの数値的な実演を行う。
  論文  参考訳（メタデータ） (2022-02-23T19:00:00Z)
• Learning to discover: expressive Gaussian mixture models for multi-dimensional simulation and parameter inference in the physical sciences [0.0]
  複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。 このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。 実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
  論文  参考訳（メタデータ） (2021-08-25T21:27:29Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。