論文の概要: A Study of Posterior Stability for Time-Series Latent Diffusion

• arxiv url: http://arxiv.org/abs/2405.14021v1
• Date: Wed, 22 May 2024 21:54:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 19:54:29.243496
• Title: A Study of Posterior Stability for Time-Series Latent Diffusion
• Title（参考訳）: 時間列遅延拡散における後部安定性の検討
• Authors: Yangming Li, Mihaela van der Schaar,
• Abstract要約: まず, 後方崩壊はVOEへの潜伏拡散を減少させ, 表現力の低下を招いた。 拡散モデルからサンプリングした潜伏変数が生成過程の制御を失うことを示す。 また, 後方崩壊の原因を解析し, この問題に対処し, より表現力のある事前分布をサポートする新しい枠組みを導入する。
• 参考スコア（独自算出の注目度）: 65.95306174480034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Latent diffusion has shown promising results in image generation and permits efficient sampling. However, this framework might suffer from the problem of posterior collapse when applied to time series. In this paper, we conduct an impact analysis of this problem. With a theoretical insight, we first explain that posterior collapse reduces latent diffusion to a VAE, making it less expressive. Then, we introduce the notion of dependency measures, showing that the latent variable sampled from the diffusion model loses control of the generation process in this situation and that latent diffusion exhibits dependency illusion in the case of shuffled time series. We also analyze the causes of posterior collapse and introduce a new framework based on this analysis, which addresses the problem and supports a more expressive prior distribution. Our experiments on various real-world time-series datasets demonstrate that our new model maintains a stable posterior and outperforms the baselines in time series generation.
• Abstract（参考訳）: 遅延拡散は画像生成において有望な結果を示し、効率的なサンプリングを可能にしている。 しかし、この枠組みは時系列に適用した場合、後続崩壊の問題に悩まされる可能性がある。 本稿では,この問題に対する影響分析を行う。 理論的考察から, 後部崩壊はVOEへの潜伏拡散を減少させ, 表現力の低下を招いた。 そこで,本研究では,拡散モデルから抽出した潜伏変数が生成過程の制御を失い,シャッフル時系列の場合,潜伏拡散が依存性錯覚を示すことを示す。 また, 後方崩壊の原因を解析し, この問題に対処し, より表現力のある事前分布をサポートする新しい枠組みを導入する。 実世界の時系列データセットに対する実験により,我々の新モデルが安定な後続モデルを維持し,時系列生成におけるベースラインを上回ることを示す。

関連論文リスト

• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• Diffusion-TS: Interpretable Diffusion for General Time Series Generation [6.639630994040322]
  Diffusion-TSは、高品質な時系列サンプルを生成する新しい拡散ベースのフレームワークである。 各拡散ステップのノイズの代わりにサンプルを直接再構成するようにモデルを訓練し、フーリエに基づく損失項を組み合わせた。 その結果,Diffusion-TSは時系列の様々な現実的解析において最先端の結果が得られることがわかった。
  論文  参考訳（メタデータ） (2024-03-04T05:39:23Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [58.20016784231991]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。 本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。 また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
  論文  参考訳（メタデータ） (2023-06-01T09:39:32Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Time Series Source Separation with Slow Flows [5.953590600890215]
  本研究では, フローベースモデル (FBM) フレームワークには, 遅い特徴解析 (SFA) が自然に適合していることを示す。 ブラインドソース分離の最近の進歩に基づいて、このような適合性は時系列分解を識別可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-20T15:15:27Z)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)

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。