Fugu-MT 論文翻訳(概要): Variational Inference via Smoothed Particle Hydrodynamics

論文の概要: Variational Inference via Smoothed Particle Hydrodynamics

arxiv url: http://arxiv.org/abs/2407.09186v1
Date: Fri, 12 Jul 2024 11:38:41 GMT
ステータス: 処理完了
システム内更新日: 2024-07-15 23:47:49.941657
Title: Variational Inference via Smoothed Particle Hydrodynamics
Title（参考訳）: スムース粒子流体力学による変分推論
Authors: Yongchao Huang,
Abstract要約: 滑らかな粒子流体力学に基づく新しい変分推論法を提案する。高速で、柔軟で、スケーラブルで、決定論的なサンプリングと、確率モデルのクラスに対する推論を提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: A new variational inference method, SPH-ParVI, based on smoothed particle hydrodynamics (SPH), is proposed for sampling partially known densities (e.g. up to a constant) or sampling using gradients. SPH-ParVI simulates the flow of a fluid under external effects driven by the target density; transient or steady state of the fluid approximates the target density. The continuum fluid is modelled as an interacting particle system (IPS) via SPH, where each particle carries smoothed properties, interacts and evolves as per the Navier-Stokes equations. This mesh-free, Lagrangian simulation method offers fast, flexible, scalable and deterministic sampling and inference for a class of probabilistic models such as those encountered in Bayesian inference and generative modelling.
Abstract（参考訳）: スムーズな粒子流体力学(SPH)に基づく新しい変分推論法 SPH-ParVI が提案されている。 SPH-ParVIは、ターゲット密度によって駆動される外部効果下での流体の流れをシミュレートする。連続流体はSPHを介して相互作用粒子系(IPS)としてモデル化され、各粒子は滑らかな性質を持ち、ナビエ・ストークス方程式に従って相互作用し、進化する。このメッシュフリーなラグランジアンシミュレーション法は、ベイズ的推論や生成モデルのような確率的モデルのクラスに対して、高速で、柔軟で、スケーラブルで決定論的サンプリングと推論を提供する。

関連論文リスト

Tunneling in a Lorenz-like model for an active wave-particle entity [0.0]
活性波粒子体(WPE)は、振動する油浴の自由面に自己推進油滴として出現する。孤立したガウスポテンシャル障壁上の一次元WPEインシデントの設定を考慮し,トンネルの動的アナログを数値的に探索する。我々の研究は、ロレンツ系の非平衡特性(平衡点へのスパイラル運動や過渡的カオス)に根ざした高記憶におけるWPEの速度変動は、障壁交差における感度と予測不可能をもたらすことを強調している。
論文参考訳（メタデータ） (2024-08-25T08:09:32Z)
Variational Inference Using Material Point Method [0.0]
MPM-ParVIは変分推論のための勾配に基づく粒子サンプリング法である。確率モデルのクラスに対する決定論的サンプリングと推論を提供する。
論文参考訳（メタデータ） (2024-07-26T17:19:50Z)
Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文参考訳（メタデータ） (2024-07-10T17:39:50Z)
Electrostatics-based particle sampling and approximate inference [0.0]
静電気学とニュートン力学の原理に基づく新しい粒子に基づくサンプリングおよび近似推論法が導入された。より一般的な推論問題において、離散時間離散空間のアルゴリズム設計が使用される。
論文参考訳（メタデータ） (2024-06-28T16:53:06Z)
Sampling in Unit Time with Kernel Fisher-Rao Flow [0.0]
非正規化対象密度からサンプリングするための平均場ODEと対応する相互作用粒子系(IPS)を導入する。 IPSは勾配のない閉形式であり、参照密度からサンプリングし、(正規化されていない)ターゲット-参照密度比を計算する能力のみを必要とする。
論文参考訳（メタデータ） (2024-01-08T13:43:56Z)
Equivariant Flow Matching with Hybrid Probability Transport [69.11915545210393]
拡散モデル (DM) は, 特徴量の多いジオメトリの生成に有効であることを示した。 DMは通常、非効率なサンプリング速度を持つ不安定な確率力学に悩まされる。等変モデリングと安定化確率力学の両方の利点を享受する幾何フローマッチングを導入する。
論文参考訳（メタデータ） (2023-12-12T11:13:13Z)
A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文参考訳（メタデータ） (2023-05-31T15:33:16Z)
NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。我々はNeuroFluidという2段階の異なるネットワークを提案する。初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文参考訳（メタデータ） (2022-03-03T15:13:29Z)
Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文参考訳（メタデータ） (2020-09-28T15:05:39Z)
A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。