Fugu-MT 論文翻訳(概要): Score-based generative diffusion with "active" correlated noise sources

論文の概要: Score-based generative diffusion with "active" correlated noise sources

arxiv url: http://arxiv.org/abs/2411.07233v1
Date: Mon, 11 Nov 2024 18:51:08 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-12 14:07:26.519254
Title: Score-based generative diffusion with "active" correlated noise sources
Title（参考訳）: アクティブ」相関雑音源を用いたスコアベース生成拡散
Authors: Alexandra Lamtyugina, Agnish Kumar Behera, Aditya Nandy, Carlos Floyd, Suriyanarayanan Vaikuntanathan,
Abstract要約: 拡散モデルは、データセットの基盤となる分布を近似することで、堅牢な生成特性を示す。本研究では, 時間的相関を持つノイズ源を用いてデータの破壊を行う場合, 生成性能を変調する方法について検討する。
参考スコア（独自算出の注目度）: 38.32962448223814
License:
Abstract: Diffusion models exhibit robust generative properties by approximating the underlying distribution of a dataset and synthesizing data by sampling from the approximated distribution. In this work, we explore how the generative performance may be be modulated if noise sources with temporal correlations -- akin to those used in the field of active matter -- are used for the destruction of the data in the forward process. Our numerical and analytical experiments suggest that the corresponding reverse process may exhibit improved generative properties.
Abstract（参考訳）: 拡散モデルは、データセットの基盤となる分布を近似し、近似分布からサンプリングしてデータを合成することにより、堅牢な生成特性を示す。本研究では, 時間的相関を持つノイズ源を前処理におけるデータ破壊に用いた場合, 生成性能をいかに変調するかを考察する。数値解析および解析実験により、対応する逆過程が改良された生成特性を示す可能性が示唆された。

関連論文リスト

On the Relation Between Linear Diffusion and Power Iteration [42.158089783398616]
相関機械として生成過程を研究する」生成過程の早い段階で低周波が出現し, 固有値に依存する速度で, 偏極基底ベクトルが真のデータにより整合していることが示される。このモデルにより、線形拡散モデルが、一般的な電力反復法と同様に、基礎データの先頭固有ベクトルに平均的に収束することを示すことができる。
論文参考訳（メタデータ） (2024-10-16T07:33:12Z)
Likelihood-based Out-of-Distribution Detection with Denoising Diffusion Probabilistic Models [6.554019613111897]
拡散モデルに拡張できる可能性に基づくアウト・オブ・ディストリビューション検出法を示す。ディープデノイング拡散モデルを用いたアウト・オブ・ディストリビューション検出のための新しい可能性比を提案する。
論文参考訳（メタデータ） (2023-10-26T14:40:30Z)
Generating observation guided ensembles for data assimilation with denoising diffusion probabilistic model [0.0]
本稿では拡散確率モデルから生成した擬似アンサンブルを用いたアンサンブルデータ同化法を提案する。生成したアンサンブルのばらつきにより,提案手法はシミュレーションモデルが不完全である場合に,確立されたアンサンブルデータ同化法よりも優れた性能を示す。
論文参考訳（メタデータ） (2023-08-13T07:55:46Z)
Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
論文参考訳（メタデータ） (2023-07-23T03:53:53Z)
Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文参考訳（メタデータ） (2023-02-14T17:02:35Z)
Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文参考訳（メタデータ） (2022-11-30T05:33:29Z)
From Denoising Diffusions to Denoising Markov Models [38.33676858989955]
デノイング拡散は、顕著な経験的性能を示す最先端の生成モデルである。本稿では、この手法を広い範囲に一般化し、スコアマッチングのオリジナル拡張につながる統一フレームワークを提案する。
論文参考訳（メタデータ） (2022-11-07T14:34:27Z)
ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文参考訳（メタデータ） (2022-08-18T16:07:59Z)
Truncated Diffusion Probabilistic Models and Diffusion-based Adversarial Auto-Encoders [137.1060633388405]
拡散に基づく生成モデルは、逆拡散連鎖を推論してデータを生成する方法を学ぶ。我々は、データが純粋なランダムノイズになるまで、より高速で安価にノイズを付加するアプローチを提案する。提案手法は,拡散過程と学習可能な暗黙的前処理の両方によって付与された逆自動エンコーダとしてキャスト可能であることを示す。
論文参考訳（メタデータ） (2022-02-19T20:18:49Z)
Inference and De-Noising of Non-Gaussian Particle Distribution Functions: A Generative Modeling Approach [0.0]
数値シミュレーションによって生成されたデータに対する推測は、一般に、粒子分布関数を回復するためにデータを結合する。ここでは、正規化フローを用いて、雑音粒子分布関数に対する滑らかでトラクタブルな近似を学習する。
論文参考訳（メタデータ） (2021-10-05T16:38:04Z)

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。