論文の概要: Conditional sampling within generative diffusion models

• arxiv url: http://arxiv.org/abs/2409.09650v1
• Date: Sun, 15 Sep 2024 07:48:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-17 19:48:24.131456
• Title: Conditional sampling within generative diffusion models
• Title（参考訳）: 生成拡散モデルにおける条件付きサンプリング
• Authors: Zheng Zhao, Ziwei Luo, Jens Sjölund, Thomas B. Schön,
• Abstract要約: 生成拡散モデルにおける条件付きサンプリングに対する既存の計算手法について概説する。 共同分布を利用するか、あるいは明示的な可能性を持つ(事前訓練された)境界分布に依存する重要な手法を強調します。
• 参考スコア（独自算出の注目度）: 12.608803080528142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative diffusions are a powerful class of Monte Carlo samplers that leverage bridging Markov processes to approximate complex, high-dimensional distributions, such as those found in image processing and language models. Despite their success in these domains, an important open challenge remains: extending these techniques to sample from conditional distributions, as required in, for example, Bayesian inverse problems. In this paper, we present a comprehensive review of existing computational approaches to conditional sampling within generative diffusion models. Specifically, we highlight key methodologies that either utilise the joint distribution, or rely on (pre-trained) marginal distributions with explicit likelihoods, to construct conditional generative samplers.
• Abstract（参考訳）: 生成拡散は、マルコフ過程を利用して、画像処理や言語モデルに見られるような複雑な高次元分布を近似するモンテカルロサンプリングの強力なクラスである。 これらの領域での成功にもかかわらず、重要なオープンな課題は、例えばベイズ逆問題において要求される条件分布からこれらのテクニックをサンプルに拡張することである。 本稿では,生成拡散モデルにおける条件付きサンプリングに対する既存の計算手法について概説する。 具体的には,共同分布を利用するか,あるいは条件付き生成標本を作成するために,明示的な可能性を持った(事前学習された)境界分布に依存する重要な手法を強調した。

関連論文リスト

• Reverse Markov Learning: Multi-Step Generative Models for Complex Distributions [10.165179181394755]
  複雑な分布を学習する能力を向上させるために、エングレスを拡張します。 本稿では,対象の分布から既知の分布へ遷移する一般的なフォワードプロセスを定義するフレームワークを提案する。 この逆工程は、目標分布を段階的に再構成する。
  論文  参考訳（メタデータ） (2025-02-19T14:10:15Z)
• Debiasing Guidance for Discrete Diffusion with Sequential Monte Carlo [10.948453531321032]
  本稿では,ターゲット分布から不均一に生成するSequential Monte Carloアルゴリズムを提案する。 我々は、低次元分布、制御された画像、テキスト生成に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-10T00:27:54Z)
• Accelerated Diffusion Models via Speculative Sampling [89.43940130493233]
  投機的サンプリングは、大規模言語モデルにおける推論を加速する一般的な手法である。 我々は投機的サンプリングを拡散モデルに拡張し、連続したベクトル値のマルコフ連鎖を介してサンプルを生成する。 本稿では,ドラフトモデルをトレーニングする必要のない,シンプルで効果的なアプローチを含む,さまざまなドラフト戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-09T16:50:16Z)
• Unified Convergence Analysis for Score-Based Diffusion Models with Deterministic Samplers [49.1574468325115]
  決定論的サンプリングのための統合収束分析フレームワークを提案する。 我々のフレームワークは$tilde O(d2/epsilon)$の反復複雑性を実現する。 また,Denoising Implicit Diffusion Models (DDIM) タイプのサンプルについて詳細な分析を行った。
  論文  参考訳（メタデータ） (2024-10-18T07:37:36Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory [87.00653989457834]
  条件付き拡散モデルは現代の画像合成の基礎となり、計算生物学や強化学習などの分野に広く応用されている。 経験的成功にもかかわらず、条件拡散モデルの理論はほとんど欠落している。 本稿では,条件拡散モデルを用いた分布推定の急激な統計的理論を提示することにより,ギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-18T17:08:24Z)
• An Efficient Quasi-Random Sampling for Copulas [3.400056739248712]
  本稿では、GAN(Generative Adrial Networks)のような生成モデルを用いて、任意のコプラに対して準ランダムなサンプルを生成することを提案する。 GANは、複雑なデータの分布を学習するために使われる暗黙的な生成モデルの一種であり、簡単にサンプリングできる。
  論文  参考訳（メタデータ） (2024-03-08T13:01:09Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Sampling, Diffusions, and Stochastic Localization [10.368585938419619]
  拡散は高次元分布からサンプリングする手法として成功している。 ローカライゼーション(英: localization)は、マルコフ連鎖と高次元における他の機能的不等式を混合することを証明する手法である。 そこで,[EAMS2022] に局所化のアルゴリズムを導入し,特定の統計力学モデルからアルゴリズムを抽出した。
  論文  参考訳（メタデータ） (2023-05-18T04:01:40Z)
• Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
  パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。 変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2022-04-20T21:25:21Z)

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。