Fugu-MT 論文翻訳(概要): Probability-Flow ODE in Infinite-Dimensional Function Spaces

論文の概要: Probability-Flow ODE in Infinite-Dimensional Function Spaces

arxiv url: http://arxiv.org/abs/2503.10219v1
Date: Thu, 13 Mar 2025 10:01:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-14 15:54:50.240946
Title: Probability-Flow ODE in Infinite-Dimensional Function Spaces
Title（参考訳）: 無限次元関数空間における確率フローODE
Authors: Kunwoo Na, Junghyun Lee, Se-Young Yun, Sungbin Lim,
Abstract要約: 無限次元函数空間における確率フローODE(PF-ODE)のアナログを初めて導いた。我々は,PDEへの適用を含む機能生成タスクにおいて,サンプル品質を維持しつつ,機能評価の回数を削減する。
参考スコア（独自算出の注目度）: 26.795793417392037
License:
Abstract: Recent advances in infinite-dimensional diffusion models have demonstrated their effectiveness and scalability in function generation tasks where the underlying structure is inherently infinite-dimensional. To accelerate inference in such models, we derive, for the first time, an analog of the probability-flow ODE (PF-ODE) in infinite-dimensional function spaces. Leveraging this newly formulated PF-ODE, we reduce the number of function evaluations while maintaining sample quality in function generation tasks, including applications to PDEs.
Abstract（参考訳）: 無限次元拡散モデルの最近の進歩は、基礎構造が本質的に無限次元である関数生成タスクにおいて、その有効性とスケーラビリティを実証している。そのようなモデルにおける推論を加速するために、無限次元関数空間における確率フローODE(PF-ODE)のアナログを初めて導いた。新たに構成されたPF-ODEを利用することで、PDEへの適用を含む関数生成タスクにおいて、サンプル品質を維持しながら、機能評価の回数を減らすことができる。

関連論文リスト

Numerical Analysis of HiPPO-LegS ODE for Deep State Space Models [9.933900714070033]
ディープラーニングにおいて、最近導入された状態空間モデルは、HiPPOメモリユニットを使用して入力関数の連続時間軌道を近似する。 HiPPO-LegS ODE はその特異性にも拘わらず、任意の初期条件の自由を伴わずに十分に仮定できる。
論文参考訳（メタデータ） (2024-12-11T18:13:55Z)
On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文参考訳（メタデータ） (2024-05-18T15:59:41Z)
Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文参考訳（メタデータ） (2023-10-11T18:38:28Z)
A Metaheuristic for Amortized Search in High-Dimensional Parameter Spaces [0.0]
本稿では,特徴インフォームド変換から次元還元を実現するメタヒューリスティックを提案する。 DR-FFITは、高次元空間における勾配自由パラメータ探索を容易にする効率的なサンプリング戦略を実装している。実験データから,DR-FFITは,確立したメタヒューリスティックスに対するランダム検索とシミュレート・アニーリングの性能を向上させることが示された。
論文参考訳（メタデータ） (2023-09-28T14:25:14Z)
Functional Flow Matching [14.583771853250008]
本稿では,最近導入されたフローマッチングモデルを一般化した関数空間生成モデルを提案する。我々の手法は確率やシミュレーションに頼らず、関数空間の設定に適している。我々は,FFM法が最近提案した関数空間生成モデルより優れていることを示す実世界のベンチマーク実験を行った。
論文参考訳（メタデータ） (2023-05-26T19:07:47Z)
Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
論文参考訳（メタデータ） (2023-04-17T14:23:43Z)
Continuous-Time Functional Diffusion Processes [24.31376730733132]
無限次元関数空間へのスコアベース拡散モデルを一般化する関数拡散過程(FDP)を導入する。 FDPには、前方と後方のダイナミクスを記述するための新しいフレームワークと、実践的なトレーニング目標を導出するためのいくつかの拡張が必要です。
論文参考訳（メタデータ） (2023-03-01T20:00:50Z)
Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文参考訳（メタデータ） (2023-02-14T23:50:53Z)
Learning PSD-valued functions using kernel sums-of-squares [94.96262888797257]
PSDコーンの値を取る関数に対して,カーネルの総和モデルを導入する。 PSD関数の普遍近似を構成することを示し、サブサンプル等式制約の場合の固有値境界を導出する。次に、この結果を凸関数のモデル化に応用し、ヘッセンのカーネル和-二乗表現を強制する。
論文参考訳（メタデータ） (2021-11-22T16:07:50Z)
Learning High-Dimensional Distributions with Latent Neural Fokker-Planck Kernels [67.81799703916563]
低次元潜在空間におけるフォッカー・プランク方程式の解法として問題を定式化する新しい手法を導入する。提案モデルでは,潜在分散モーフィング,ジェネレータ,パラメータ化Fokker-Planckカーネル関数からなる。
論文参考訳（メタデータ） (2021-05-10T17:42:01Z)

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。