論文の概要: Mean-field Chaos Diffusion Models

• arxiv url: http://arxiv.org/abs/2406.05396v1
• Date: Sat, 8 Jun 2024 08:24:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-11 19:55:06.904233
• Title: Mean-field Chaos Diffusion Models
• Title（参考訳）: 平均場カオス拡散モデル
• Authors: Sungwoo Park, Dongjun Kim, Ahmed Alaa,
• Abstract要約: 心電図データ分布を扱うためのスコアベース生成モデル(SGM)を新たに導入する。 心電図データに固有の次元の呪いに対処する平均場カオス拡散モデル(MF-CDMs)を提案する。
• 参考スコア（独自算出の注目度）: 19.289421150924206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce a new class of score-based generative models (SGMs) designed to handle high-cardinality data distributions by leveraging concepts from mean-field theory. We present mean-field chaos diffusion models (MF-CDMs), which address the curse of dimensionality inherent in high-cardinality data by utilizing the propagation of chaos property of interacting particles. By treating high-cardinality data as a large stochastic system of interacting particles, we develop a novel score-matching method for infinite-dimensional chaotic particle systems and propose an approximation scheme that employs a subdivision strategy for efficient training. Our theoretical and empirical results demonstrate the scalability and effectiveness of MF-CDMs for managing large high-cardinality data structures, such as 3D point clouds.
• Abstract（参考訳）: 本稿では, 平均場理論の概念を活用することで, 心電図データ分布を扱うための新しいスコアベース生成モデル(SGM)を提案する。 本研究では, 相互作用粒子のカオス特性の伝播を利用した平均場カオス拡散モデル(MF-CDMs)を提案する。 相互作用する粒子の大きな確率的システムとして高心性データを扱うことにより、無限次元カオス粒子システムのための新しいスコアマッチング法を開発し、効率的なトレーニングのための分割戦略を用いた近似スキームを提案する。 我々は,MF-CDMの3次元点雲などの大規模心電図データ構造に対するスケーラビリティと有効性を示した。

関連論文リスト

• Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
  拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。 我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。 この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T02:34:24Z)
• Shedding Light on Large Generative Networks: Estimating Epistemic Uncertainty in Diffusion Models [15.352556466952477]
  生成拡散モデルは、その大きなパラメータ数(1億を超える)と高次元画像空間での操作で顕著である。 本研究では,拡散モデルに対する疫学的不確実性を推定するための新しいフレームワークであるDiffusion Ensembles for Capturing Uncertainty (DECU)を導入する。
  論文  参考訳（メタデータ） (2024-06-05T14:03:21Z)
• Diffusion-C: Unveiling the Generative Challenges of Diffusion Models through Corrupted Data [2.7624021966289605]
  拡散-Cは拡散モデルの生成的制約を分析するための基礎的方法論である。 Diffusion分類の下では、生成モデルの微調整の中で、DDPMはパラゴンとして現れ、常に優れたパフォーマンス指標を示す。 これらの特定の腐敗に対する拡散モデルの脆弱性は、位相的および統計的類似性に大きく影響されている。
  論文  参考訳（メタデータ） (2023-12-14T12:01:51Z)
• CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion Models [72.93652777646233]
  カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。 本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。 カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
  論文  参考訳（メタデータ） (2023-05-29T07:49:44Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• SPIRiT-Diffusion: Self-Consistency Driven Diffusion Model for Accelerated MRI [14.545736786515837]
  本稿では,k空間の拡散モデルであるSPIRiT-Diffusionを紹介する。 3次元頭蓋内および頸動脈壁画像データセットを用いたSPIRiT-Diffusion法の評価を行った。
  論文  参考訳（メタデータ） (2023-04-11T08:43:52Z)
• Information-Theoretic Diffusion [18.356162596599436]
  拡散モデルのデノイングは密度モデリングや画像生成において大きな進歩をもたらした。 情報理論における古典的な結果にインスパイアされた拡散モデルのための新しい数学的基礎を導入する。
  論文  参考訳（メタデータ） (2023-02-07T23:03:07Z)
• Modiff: Action-Conditioned 3D Motion Generation with Denoising Diffusion Probabilistic Models [58.357180353368896]
  本稿では,現実的で多様な3D骨格に基づく運動生成問題に対処するために,拡散確率モデル(DDPM)の利点を生かした条件付きパラダイムを提案する。 我々はDDPMを用いてカテゴリ的動作で条件付けられた動作列の可変数を合成する先駆的な試みである。
  論文  参考訳（メタデータ） (2023-01-10T13:15:42Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)
• Training Deep Energy-Based Models with f-Divergence Minimization [113.97274898282343]
  深部エネルギーベースモデル(EBM)は分布パラメトリゼーションにおいて非常に柔軟であるが、計算的に困難である。 所望のf偏差を用いてEMMを訓練するための、f-EBMと呼ばれる一般的な変分フレームワークを提案する。 実験の結果,F-EBMは対照的なばらつきよりも優れており,KL以外のf-divergencesを用いたEBMの訓練の利点も示された。
  論文  参考訳（メタデータ） (2020-03-06T23:11:13Z)

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。