論文の概要: Diffusion & Adversarial Schrödinger Bridges via Iterative Proportional Markovian Fitting
- arxiv url: http://arxiv.org/abs/2410.02601v1
- Date: Thu, 3 Oct 2024 15:43:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-04 02:12:23.822632
- Title: Diffusion & Adversarial Schrödinger Bridges via Iterative Proportional Markovian Fitting
- Title（参考訳）: 反復的局所マルコフフィッティングによる拡散・逆シュレーディンガー橋
- Authors: Sergei Kholkin, Grigoriy Ksenofontov, David Li, Nikita Kornilov, Nikita Gushchin, Evgeny Burnaev, Alexander Korotin,
- Abstract要約: 反復的マルコフ・フィッティング (IMF) 手順は, 反復的相互予測とマルコフ・プロジェクションに基づいて, シュル・オーディンガー橋問題の解法として提案されている。
この手順を実践するためには、各イテレーションで前方時間と後方時間との拡散を交互に行うことが不可欠である。
本研究は,本手法をIPF (Iterative Proportional Fitting) 法に基づくSchr"odinger Bridgeの先駆的アプローチと密接に関連していることを示す。
- 参考スコア（独自算出の注目度）: 60.003813643818965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Iterative Markovian Fitting (IMF) procedure based on iterative reciprocal and Markovian projections has recently been proposed as a powerful method for solving the Schr\"odinger Bridge problem. However, it has been observed that for the practical implementation of this procedure, it is crucial to alternate between fitting a forward and backward time diffusion at each iteration. Such implementation is thought to be a practical heuristic, which is required to stabilize training and obtain good results in applications such as unpaired domain translation. In our work, we show that this heuristic closely connects with the pioneer approaches for the Schr\"odinger Bridge based on the Iterative Proportional Fitting (IPF) procedure. Namely, we find that the practical implementation of IMF is, in fact, a combination of IMF and IPF procedures, and we call this combination the Iterative Proportional Markovian Fitting (IPMF) procedure. We show both theoretically and practically that this combined IPMF procedure can converge under more general settings, thus, showing that the IPMF procedure opens a door towards developing a unified framework for solving Schr\"odinger Bridge problems.
- Abstract（参考訳）: 反復的マルコフ整合法(IMF)は、最近シュリンガー橋の問題を解決する強力な方法として提案されている。
しかし,本手法を実用化するためには,各イテレーションにおいて前方と後方の時間拡散を交互に行うことが重要である。
このような実装は実践的ヒューリスティックであると考えられており、訓練を安定させ、未経験領域翻訳のような応用において良い結果を得るのに必要である。
本稿では,このヒューリスティックな手法が,Iterative Proportional Fitting (IPF) 法に基づくSchr\"odinger Bridgeの先駆的アプローチと密接に関連していることを示す。
すなわち、IMFの実践的な実施は、実際、IMFとIPFの手続きの組み合わせであり、我々はこの組み合わせをIPMF(Iterative Proportional Markovian Fitting)手順と呼ぶ。
この組み合わせ IPMF 手順がより一般的な設定で収束できることを理論的にも実用的にも示し、したがって IPMF 手順が Schr\\odinger Bridge 問題を解くための統一的な枠組み構築への扉を開くことを示す。
関連論文リスト
- Adversarial Schrödinger Bridge Matching [66.39774923893103]
反復マルコフフィッティング(IMF)手順は、マルコフ過程の相互射影と相互射影を交互に交互に行う。
本稿では、プロセスの学習を離散時間でほんの少しの遷移確率の学習に置き換える新しい離散時間IMF(D-IMF)手順を提案する。
D-IMFの手続きは、数百ではなく数世代のステップで、IMFと同じ品質の未完成のドメイン翻訳を提供できることを示す。
論文 参考訳（メタデータ） (2024-05-23T11:29:33Z) - 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) - Faster Video Moment Retrieval with Point-Level Supervision [70.51822333023145]
Video Moment Retrieval (VMR)は、自然言語クエリでトリミングされていないビデオから最も関連性の高いイベントを取得することを目的としている。
既存のVMRメソッドには2つの欠陥がある。
CFMR(Cheaper and Faster Moment Retrieval)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-05-23T12:53:50Z) - Diffusion Bridge Mixture Transports, Schr\"odinger Bridge Problems and
Generative Modeling [4.831663144935879]
本稿では, 動的シュリンガー橋問題の解法を目的とした, サンプリング型反復型拡散橋混合法 (IDBM) を提案する。
IDBM手順は、各イテレーションにおける目標確率測度間の有効な輸送を実現するという魅力的な性質を示す。
論文 参考訳（メタデータ） (2023-04-03T12:13:42Z) - Robust Phi-Divergence MDPs [13.555107578858307]
我々は、s-矩形あいまい性集合を持つ頑健なMDPのための新しいソリューションフレームワークを開発する。
関連したs-矩形ロバストMDPは、最先端の商用解法よりもはるかに高速に解けることを示す。
論文 参考訳（メタデータ） (2022-05-27T19:08:55Z) - Deep Multimodal Fusion by Channel Exchanging [87.40768169300898]
本稿では,異なるモードのサブネットワーク間で動的にチャネルを交換するパラメータフリーマルチモーダル融合フレームワークを提案する。
このような交換プロセスの有効性は、畳み込みフィルタを共有してもBN層をモダリティで分離しておくことで保証される。
論文 参考訳（メタデータ） (2020-11-10T09:53:20Z) - Understanding Nesterov's Acceleration via Proximal Point Method [52.99237600875452]
近似点法(PPM)は最適化アルゴリズムを設計するためのビルディングブロックとしてよく用いられる。
本研究では、PPM法を用いて、Nesterovの加速度勾配法(AGM)の異なるバージョンの収束解析とともに、概念的に単純な導出を提供する。
論文 参考訳（メタデータ） (2020-05-17T17:17:18Z) - State-only Imitation with Transition Dynamics Mismatch [16.934888672659824]
イミテーションラーニング(Imitation Learning, IL)は、専門家の行動を活用することで、複雑な目標を達成するための訓練エージェントにとって一般的なパラダイムである。
本稿では,新しい状態のみのILアルゴリズムを提案する。
提案アルゴリズムは,専門家と模倣MDPの間に遷移力学ミスマッチが存在する場合,特に有効であることを示す。
論文 参考訳（メタデータ） (2020-02-27T02:27:46Z)
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。