論文の概要: A Practical Diffusion Path for Sampling

• arxiv url: http://arxiv.org/abs/2406.14040v1
• Date: Thu, 20 Jun 2024 07:00:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 15:10:05.722745
• Title: A Practical Diffusion Path for Sampling
• Title（参考訳）: サンプリングのための実用的拡散経路
• Authors: Omar Chehab, Anna Korba,
• Abstract要約: 拡散モデルは生成モデルにおいてランゲヴィン過程を導くスコアベクトルを推定するために用いられる。 従来のアプローチはモンテカルロ推定器に依存しており、計算的に計算量が多いか、サンプル非効率である。 そこで我々は,いわゆる拡張経路に依存して,クローズド形式で利用可能なスコアベクトルを生成する,計算的に魅力的な代替案を提案する。
• 参考スコア（独自算出の注目度）: 8.174664278172367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models are state-of-the-art methods in generative modeling when samples from a target probability distribution are available, and can be efficiently sampled, using score matching to estimate score vectors guiding a Langevin process. However, in the setting where samples from the target are not available, e.g. when this target's density is known up to a normalization constant, the score estimation task is challenging. Previous approaches rely on Monte Carlo estimators that are either computationally heavy to implement or sample-inefficient. In this work, we propose a computationally attractive alternative, relying on the so-called dilation path, that yields score vectors that are available in closed-form. This path interpolates between a Dirac and the target distribution using a convolution. We propose a simple implementation of Langevin dynamics guided by the dilation path, using adaptive step-sizes. We illustrate the results of our sampling method on a range of tasks, and shows it performs better than classical alternatives.
• Abstract（参考訳）: 拡散モデル (diffusion model) は、ターゲット確率分布からのサンプルが利用可能である場合の生成モデルにおける最先端の手法であり、スコアマッチングを用いてランゲヴィン過程を導くスコアベクトルを推定する。 しかし、ターゲットからのサンプルが入手できない設定では、例えば、このターゲットの密度が正規化定数まで知られている場合、スコア推定タスクは困難である。 従来のアプローチはモンテカルロ推定器に依存しており、計算的に計算量が多いか、サンプル非効率である。 本研究では, 閉形式で利用可能なスコアベクトルを生成する, いわゆる拡張経路に依存する, 計算的に魅力的な代替案を提案する。 この経路は、畳み込みを用いて、ディラックとターゲット分布の間を補間する。 本稿では,適応的なステップサイズを用いて,拡張経路で導かれるランゲヴィン力学の簡単な実装を提案する。 そこで,本研究では,様々なタスクに対するサンプリング手法の結果を概説し,従来の代替手法よりも優れた性能を示す。

関連論文リスト

• Sampling for Model Predictive Trajectory Planning in Autonomous Driving using Normalizing Flows [1.2972104025246092]
  本稿では,軌道生成のためのサンプリング手法について検討する。 変分推論の分野を起源とする正規化フローが検討される。 学習に基づく正規化フローモデルは、入力領域のより効率的な探索のために訓練される。
  論文  参考訳（メタデータ） (2024-04-15T10:45:12Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Sobolev Space Regularised Pre Density Models [51.558848491038916]
  本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。 この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
  論文  参考訳（メタデータ） (2023-07-25T18:47:53Z)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)
• Plug-and-Play split Gibbs sampler: embedding deep generative priors in Bayesian inference [12.91637880428221]
  本稿では, 後方分布から効率的にサンプリングするために, 可変分割を利用したプラグアンドプレイサンプリングアルゴリズムを提案する。 後方サンプリングの課題を2つの単純なサンプリング問題に分割する。 その性能は最近の最先端の最適化とサンプリング手法と比較される。
  論文  参考訳（メタデータ） (2023-04-21T17:17:51Z)
• Unsupervised Sampling Promoting for Stochastic Human Trajectory Prediction [10.717921532244613]
  本稿では,ベイズ最適化を教師なしで適応的にマイニングするBOsamplerという手法を提案する。 具体的には、軌道サンプリングをガウス過程としてモデル化し、潜在的なサンプリング値を測定するための獲得関数を構築する。 この取得関数は、元の分布を予め適用し、長い尾領域の経路を探索することを奨励する。
  論文  参考訳（メタデータ） (2023-04-09T19:15:14Z)
• Efficient Multimodal Sampling via Tempered Distribution Flow [11.36635610546803]
  我々はTemperFlowと呼ばれる新しいタイプのトランスポートベースサンプリング手法を開発した。 種々の実験により, 従来の手法と比較して, 新規サンプリング器の優れた性能が示された。 画像生成などの最新のディープラーニングタスクに応用例を示す。
  論文  参考訳（メタデータ） (2023-04-08T06:40:06Z)
• Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
  まず確率分布をモデル化し,そのモデルからサンプリングする。 これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2021-10-20T12:25:22Z)
• Pathwise Conditioning of Gaussian Processes [72.61885354624604]
  ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。 この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。 条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2020-11-08T17:09:37Z)
• Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
  高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。 分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
  論文  参考訳（メタデータ） (2020-02-21T14:03:16Z)

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。