Fugu-MT 論文翻訳(概要): BM$^2$: Coupled Schrödinger Bridge Matching

論文の概要: BM$^2$: Coupled Schrödinger Bridge Matching

arxiv url: http://arxiv.org/abs/2409.09376v1
Date: Sat, 14 Sep 2024 08:57:46 GMT
ステータス: 処理完了
システム内更新日: 2024-09-17 20:57:09.148021
Title: BM$^2$: Coupled Schrödinger Bridge Matching
Title（参考訳）: BM$^2$: Coupled Schrödinger Bridge Matching
Authors: Stefano Peluchetti,
Abstract要約: ニューラルネットワークを用いたSchr"odingerブリッジの学習のための,簡単なEmphnon-iterativeアプローチを提案する。 BM$2$の収束特性に関する予備的理論的解析を行い、数値実験で裏付ける。
参考スコア（独自算出の注目度）: 4.831663144935879
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A Schr\"{o}dinger bridge establishes a dynamic transport map between two target distributions via a reference process, simultaneously solving an associated entropic optimal transport problem. We consider the setting where samples from the target distributions are available, and the reference diffusion process admits tractable dynamics. We thus introduce Coupled Bridge Matching (BM$^2$), a simple \emph{non-iterative} approach for learning Schr\"{o}dinger bridges with neural networks. A preliminary theoretical analysis of the convergence properties of BM$^2$ is carried out, supported by numerical experiments that demonstrate the effectiveness of our proposal.
Abstract（参考訳）: Schr\"{o}dinger ブリッジは、2つの対象分布間の動的輸送マップを参照プロセスを介して確立し、関連するエントロピー最適輸送問題を同時に解決する。対象分布からのサンプルが利用可能となる設定について検討し、参照拡散過程はトラクタブルダイナミクスを許容する。そこで我々は、ニューラルネットワークを用いてSchr\"{o}dinger Bridgesを学習するための単純な 'emph{non-iterative} アプローチである Coupled Bridge Matching (BM$^2$) を導入する。 BM$^2$の収束特性に関する予備的理論的解析を行い,提案手法の有効性を示す数値実験を行った。

関連論文リスト

Latent Schrodinger Bridge: Prompting Latent Diffusion for Fast Unpaired Image-to-Image Translation [58.19676004192321]
ノイズからの画像生成とデータからの逆変換の両方を可能にする拡散モデル (DM) は、強力な未ペア画像対イメージ(I2I)翻訳アルゴリズムにインスピレーションを与えている。我々は、最小輸送コストの分布間の微分方程式(SDE)であるSchrodinger Bridges (SBs) を用いてこの問題に取り組む。この観測に触発されて,SB ODE を予め訓練した安定拡散により近似する潜在シュロディンガー橋 (LSB) を提案する。提案アルゴリズムは,従来のDMのコストをわずかに抑えながら,教師なし環境での競合的I2I翻訳を実現していることを示す。
論文参考訳（メタデータ） (2024-11-22T11:24:14Z)
Through the Looking Glass: Mirror Schrödinger Bridges [16.05211717546091]
密度が不明な対象尺度からのサンプリングは、数学統計学と機械学習の基本的な問題である。そこで本研究では,ミラー・シュル「オーディンガー橋」と呼ばれるコンディショナル・リサンプリングの新たなモデルを提案する。
論文参考訳（メタデータ） (2024-10-09T15:48:56Z)
Plug-in estimation of Schrödinger bridges [15.685006881635209]
本稿では,2つの確率分布間のSchr"odingerブリッジを推定する手法を提案する。 EmphSinkhorn Bridge(英語版)と呼ばれる我々の提案は、目標測度の内在次元に依存する収束率で、確実にSchr"odinger Bridgeを推定することを示します。
論文参考訳（メタデータ） (2024-08-21T15:07:25Z)
Control, Transport and Sampling: Towards Better Loss Design [10.732151772173083]
我々は、最適制御されたダイナミクスを介して$nu$から$mu$への輸送に使用できる客観的関数を提案する。我々は、パスワイズ・パースペクティブの重要性と、パス尺度における様々な最適条件が、有効なトレーニング損失の設計に果たす役割を強調した。
論文参考訳（メタデータ） (2024-05-22T15:24:48Z)
Soft-constrained Schrodinger Bridge: a Stochastic Control Approach [4.922305511803267]
シュル「オーディンガー橋」は、最適に制御された拡散過程を見つけることを目標とする連続時間制御問題と見なすことができる。本稿では,両分布間のKulback-Leiblerの相違を罰し,端末分布を目標と異なるものにすることで,この問題を一般化することを提案する。 1つの応用は、堅牢な生成拡散モデルの開発である。
論文参考訳（メタデータ） (2024-03-04T04:10:24Z)
Light and Optimal Schrödinger Bridge Matching [67.93806073192938]
我々はSB(Schr"odinger Bridges)を学習するための新しい手法を提案し、それを textbf Schr"odinger Bridge matching と呼ぶ。 EOT/SBを学習するための最適橋梁マッチングは,最近発見されたエネルギーベースモデリング(EBM)の目標と一致することを示す。我々は、Schr"odinger電位の混合パラメタライゼーションを用いて、実際に最適なマッチングを実現するための光解法(LightSB-Mと呼ぶ)を開発した。
論文参考訳（メタデータ） (2024-02-05T17:17:57Z)
Generalized Schrödinger Bridge Matching [54.171931505066]
一般化Schr"odinger Bridge (GSB) 問題設定は、機械学習の内外を問わず、多くの科学領域で一般的である。我々は最近の進歩に触発された新しいマッチングアルゴリズムである一般化シュリンガーブリッジマッチング(GSBM)を提案する。このような一般化は条件最適制御の解法として、変分近似を用いることができることを示す。
論文参考訳（メタデータ） (2023-10-03T17:42:11Z)
Neural Inverse Kinematics [72.85330210991508]
逆キネマティック(英語版)(IK)法は、キネマティックチェインにおける選択された要素の所望の位置から関節のパラメータを復元する。本稿では,問題階層構造を用いて,所望の位置に条件付き有効関節角度を逐次サンプリングするニューラルIK法を提案する。
論文参考訳（メタデータ） (2022-05-22T14:44:07Z)
Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
論文参考訳（メタデータ） (2021-11-22T06:26:29Z)
Deep Generative Learning via Schr\"{o}dinger Bridge [14.138796631423954]
エントロピーにより生成モデルをSchr"odinger Bridgeで学習する。 Schr"odinger Bridge による生成モデルは最先端の GAN に匹敵することを示す。
論文参考訳（メタデータ） (2021-06-19T03:35:42Z)
Continuous Regularized Wasserstein Barycenters [51.620781112674024]
正規化ワッサーシュタイン・バリセンタ問題に対する新しい双対定式化を導入する。我々は、強い双対性を確立し、対応する主対関係を用いて、正規化された輸送問題の双対ポテンシャルを用いて暗黙的にバリセンターをパラメトリゼーションする。
論文参考訳（メタデータ） (2020-08-28T08:28:06Z)

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。