論文の概要: Dequantified Diffusion-Schr{ö}dinger Bridge for Density Ratio Estimation

• arxiv url: http://arxiv.org/abs/2505.05034v2
• Date: Mon, 19 May 2025 10:46:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.647994
• Title: Dequantified Diffusion-Schr{ö}dinger Bridge for Density Ratio Estimation
• Title（参考訳）: 密度比推定のための拡散-Schr{ö}dingerブリッジ
• Authors: Wei Chen, Shigui Li, Jiacheng Li, Junmei Yang, John Paisley, Delu Zeng,
• Abstract要約: 我々は、堅牢で安定で効率的な密度比推定のための統一的なフレームワークを設計する。 本稿では,分散ブリッジ補間器(DDBI)を提案し,サポート範囲を拡大し,時間スコアを安定化させる。 DDBIを基盤として提案されたSh"odinger Bridge Interpolant (D SBI) は、Sh"odinger Bridgeの問題を解決するための最適な輸送を取り入れている。
• 参考スコア（独自算出の注目度）: 13.986781622423885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Density ratio estimation is fundamental to tasks involving $f$-divergences, yet existing methods often fail under significantly different distributions or inadequately overlap supports, suffering from the density-chasm and the support-chasm problems. Additionally, prior approaches yield divergent time scores near boundaries, leading to instability. We design $\textbf{D}^3\textbf{RE}$, a unified framework for robust, stable and efficient density ratio estimation. We propose the dequantified diffusion bridge interpolant (DDBI), which expands support coverage and stabilizes time scores via diffusion bridges and Gaussian dequantization. Building on DDBI, the proposed dequantified Schr{\"o}dinger bridge interpolant (DSBI) incorporates optimal transport to solve the Schr{\"o}dinger bridge problem, enhancing accuracy and efficiency. Our method offers uniform approximation and bounded time scores in theory, and outperforms baselines empirically in mutual information and density estimation tasks.
• Abstract（参考訳）: 密度比の推定は$f$-divergencesを含むタスクに基本的であるが、既存のメソッドは、密度確率とサポート確率の問題に悩まされ、大きく異なる分布や不十分な重複サポートの下で失敗することが多い。 さらに、事前のアプローチでは境界付近で発散時間スコアが得られ、不安定になる。 安定かつ効率的な密度比推定のための統一フレームワークである$\textbf{D}^3\textbf{RE}$を設計する。 本稿では,拡散ブリッジとガウスデクエント化によるサポート範囲を拡大し,時間スコアを安定化する拡散橋補間器を提案する。 DDBI上に構築されたDSBI(Dequantified Schr{\"o}dinger Bridge Interpolant)は,Shr{\"o}dinger Bridgeの問題を解決するための最適輸送を取り入れ,精度と効率を向上する。 提案手法は,理論上の一様近似および有界時間スコアを提供し,相互情報および密度推定タスクにおいて,経験的にベースラインを上回っている。

関連論文リスト

• Single-Step Bidirectional Unpaired Image Translation Using Implicit Bridge Consistency Distillation [55.45188329646137]
  Implicit Bridge Consistency Distillation (IBCD) は、対向損失を使わずに、単段階の双方向無ペア翻訳を可能にする。 IBCDは、ベンチマークデータセットの最先端のパフォーマンスを1世代で達成する。
  論文  参考訳（メタデータ） (2025-03-19T09:48:04Z)
• Latent Schrodinger Bridge: Prompting Latent Diffusion for Fast Unpaired Image-to-Image Translation [58.19676004192321]
  ノイズからの画像生成とデータからの逆変換の両方を可能にする拡散モデル (DM) は、強力な未ペア画像対イメージ(I2I)翻訳アルゴリズムにインスピレーションを与えている。 我々は、最小輸送コストの分布間の微分方程式(SDE)であるSchrodinger Bridges (SBs) を用いてこの問題に取り組む。 この観測に触発されて,SB ODE を予め訓練した安定拡散により近似する潜在シュロディンガー橋 (LSB) を提案する。 提案アルゴリズムは,従来のDMのコストをわずかに抑えながら,教師なし環境での競合的I2I翻訳を実現していることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:24:14Z)
• Robust Barycenter Estimation using Semi-Unbalanced Neural Optimal Transport [84.51977664336056]
  本研究では、ロバストな連続バリセンタを推定するための新しいスケーラブルなアプローチを提案する。 提案手法は min-max 最適化問題であり,一般的なコスト関数に適用可能である。
  論文  参考訳（メタデータ） (2024-10-04T23:27:33Z)
• Density-Regression: Efficient and Distance-Aware Deep Regressor for Uncertainty Estimation under Distribution Shifts [11.048463491646993]
  密度回帰は不確実性推定において密度関数を利用する手法であり、単一の前方通過による高速な推論を実現する。 本研究では,現代の深部回帰器を用いた分布シフトにおいて,密度回帰が競合不確実性評価性能を有することを示す。
  論文  参考訳（メタデータ） (2024-03-07T23:20:34Z)
• Soft-constrained Schrodinger Bridge: a Stochastic Control Approach [4.922305511803267]
  シュル「オーディンガー橋」は、最適に制御された拡散過程を見つけることを目標とする連続時間制御問題と見なすことができる。 本稿では,両分布間のKulback-Leiblerの相違を罰し,端末分布を目標と異なるものにすることで,この問題を一般化することを提案する。 1つの応用は、堅牢な生成拡散モデルの開発である。
  論文  参考訳（メタデータ） (2024-03-04T04:10:24Z)
• Distributionally Robust Bayesian Optimization with $\varphi$-divergences [45.48814080654241]
  我々は,$varphi$-divergencesにおけるデータシフトに対するロバスト性について考察する。 この設定におけるDRO-BO問題は有限次元最適化問題と等価であり、連続的な文脈でも証明可能な部分線型後悔境界で容易に実装できることを示す。
  論文  参考訳（メタデータ） (2022-03-04T04:34:52Z)
• Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
  そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。 モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。 提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-22T06:26:29Z)
• Deep Generative Learning via Schr\"{o}dinger Bridge [14.138796631423954]
  エントロピーにより生成モデルをSchr"odinger Bridgeで学習する。 Schr"odinger Bridge による生成モデルは最先端の GAN に匹敵することを示す。
  論文  参考訳（メタデータ） (2021-06-19T03:35:42Z)
• BORE: Bayesian Optimization by Density-Ratio Estimation [34.22533785573784]
  我々は, クラス確率推定と密度比推定の関連に基づいて, 期待改良 (ei) 関数を二分分類問題として位置づけた。 この改革は、特に汎用性とスケーラビリティの観点から、多くの利点をもたらします。
  論文  参考訳（メタデータ） (2021-02-17T20:04:11Z)

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。