論文の概要: Beyond Fixed Horizons: A Theoretical Framework for Adaptive Denoising Diffusions

• arxiv url: http://arxiv.org/abs/2501.19373v1
• Date: Fri, 31 Jan 2025 18:23:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 14:03:27.265407
• Title: Beyond Fixed Horizons: A Theoretical Framework for Adaptive Denoising Diffusions
• Title（参考訳）: Beyond Fixed Horizons: 拡散を適応的に認知するための理論的フレームワーク
• Authors: Sören Christensen, Claudia Strauch, Lukas Trottner,
• Abstract要約: 本稿では, ノイズ発生過程とノイズ発生過程の両方において, 時間均質な構造を実現する新しい生成拡散モデルを提案する。 モデルの主な特徴は、ターゲットデータへの適応性であり、事前訓練された無条件生成モデルを使用して、様々な下流タスクを可能にする。
• 参考スコア（独自算出の注目度）: 1.9116784879310031
• License:
• Abstract: We introduce a new class of generative diffusion models that, unlike conventional denoising diffusion models, achieve a time-homogeneous structure for both the noising and denoising processes, allowing the number of steps to adaptively adjust based on the noise level. This is accomplished by conditioning the forward process using Doob's $h$-transform, which terminates the process at a suitable sampling distribution at a random time. The model is particularly well suited for generating data with lower intrinsic dimensions, as the termination criterion simplifies to a first-hitting rule. A key feature of the model is its adaptability to the target data, enabling a variety of downstream tasks using a pre-trained unconditional generative model. These tasks include natural conditioning through appropriate initialization of the denoising process and classification of noisy data.
• Abstract（参考訳）: 本稿では,従来のノイズ拡散モデルとは異なり,ノイズレベルに基づいて段階数を適応的に調整し,ノイズ発生過程と雑音発生過程の両方に対して時間均質な構造を実現できる新しい生成拡散モデルを提案する。 これはDoobの$h$-transformを使って前処理を条件付けすることで実現される。 このモデルは本質的な次元が低いデータを生成するのに特に適しており、終端基準はファーストヒッティング規則を単純化する。 モデルの主な特徴は、ターゲットデータへの適応性であり、事前訓練された無条件生成モデルを使用して、様々な下流タスクを可能にする。 これらのタスクには、デノナイジングプロセスの適切な初期化とノイズデータの分類による自然条件付けが含まれる。

関連論文リスト

• ConsistencyDet: A Robust Object Detector with a Denoising Paradigm of Consistency Model [28.193325656555803]
  本稿では,物体検出を認知拡散過程として記述するための新しいフレームワークを提案する。 ConsistencyDetと呼ばれるこのフレームワークは、Consistency Modelとして知られる革新的な概念を活用している。 我々は、ConsistencyDetがパフォーマンス指標で他の最先端検出器を上回っていることを示す。
  論文  参考訳（メタデータ） (2024-04-11T14:08:45Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Modeling Temporal Data as Continuous Functions with Stochastic Process Diffusion [2.2849153854336763]
  時間データは、基礎となる関数の離散化測定と見なすことができる。 このようなデータの生成モデルを構築するには、そのデータを管理するプロセスをモデル化する必要があります。 本稿では,関数空間における微分拡散モデルを定義することで解を提案する。
  論文  参考訳（メタデータ） (2022-11-04T17:02:01Z)
• Entropy-driven Sampling and Training Scheme for Conditional Diffusion Generation [16.13197951857033]
  Denoising Diffusion Probabilistic Model (DDPM)は、事前ノイズから実データへの柔軟な条件付き画像生成を可能にする。 しかし、分類器が高次構造でのみ不完全生成画像を容易に判別できるため、勾配は早期に消失する傾向にある。 この問題に対処するための2つの視点から、単純だが効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-23T04:10:23Z)
• PriorGrad: Improving Conditional Denoising Diffusion Models with Data-Driven Adaptive Prior [103.00403682863427]
  条件拡散モデルの効率を改善するために, PreGrad を提案する。 PriorGradはデータとパラメータの効率を向上し、品質を向上する。
  論文  参考訳（メタデータ） (2021-06-11T14:04:03Z)
• Set Based Stochastic Subsampling [85.5331107565578]
  本稿では,2段階間ニューラルサブサンプリングモデルを提案する。 画像分類,画像再構成,機能再構築,少数ショット分類など,様々なタスクにおいて,低いサブサンプリング率で関連ベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2020-06-25T07:36:47Z)

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。