論文の概要: Alternators With Noise Models

• arxiv url: http://arxiv.org/abs/2505.12544v1
• Date: Sun, 18 May 2025 21:01:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.29792
• Title: Alternators With Noise Models
• Title（参考訳）: 騒音モデルを用いた変圧器
• Authors: Mohammad R. Rezaei, Adji Bousso Dieng,
• Abstract要約: 本稿では,遅延および観測軌跡のサンプリングに用いる雑音項を明示的にモデル化することにより,従来のGradsの柔軟性を向上させる++という新しいモデルを提案する。 密度推定や時系列計算,予測などのタスクにおける++の有効性を実証し,いくつかの強いベースラインよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 2.992602379681373
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Alternators have recently been introduced as a framework for modeling time-dependent data. They often outperform other popular frameworks, such as state-space models and diffusion models, on challenging time-series tasks. This paper introduces a new Alternator model, called Alternator++, which enhances the flexibility of traditional Alternators by explicitly modeling the noise terms used to sample the latent and observed trajectories, drawing on the idea of noise models from the diffusion modeling literature. Alternator++ optimizes the sum of the Alternator loss and a noise-matching loss. The latter forces the noise trajectories generated by the two noise models to approximate the noise trajectories that produce the observed and latent trajectories. We demonstrate the effectiveness of Alternator++ in tasks such as density estimation, time series imputation, and forecasting, showing that it outperforms several strong baselines, including Mambas, ScoreGrad, and Dyffusion.
• Abstract（参考訳）: Alternatorは最近、時間依存データモデリングのフレームワークとして導入された。 彼らはしばしば、状態空間モデルや拡散モデルといった他の人気のあるフレームワークよりも、挑戦的な時系列タスクで優れています。 本稿では,従来のオルタネータモデルであるAlternator++を提案する。このモデルでは,遅延および観測軌跡のサンプリングに使用される雑音項を明示的にモデル化し,拡散モデリング文献からノイズモデルの概念を導出することにより,従来のオルタネータの柔軟性を向上させる。 Alternator++は、Alternator損失とノイズマッチング損失の合計を最適化する。 後者は、2つのノイズモデルによって生成されたノイズ軌跡を強制し、観測および潜時軌跡を生成するノイズ軌跡を近似させる。 本研究では,密度推定や時系列計算,予測などのタスクにおけるAlternator++の有効性を示すとともに,Mambas,ScoreGrad,Dyffusionなどの強力なベースラインよりも優れていることを示す。

関連論文リスト

• Revealing the Implicit Noise-based Imprint of Generative Models [71.94916898756684]
  本稿では,検出タスクにノイズに基づくモデル固有インプリントを利用する新しいフレームワークを提案する。 様々な生成モデルからのインプリントを集約することにより、将来のモデルのインプリントを外挿してトレーニングデータを拡張することができる。 提案手法は,GenImage,Synthbuster,Chameleonの3つの公開ベンチマークにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-03-12T12:04:53Z)
• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• Blue noise for diffusion models [50.99852321110366]
  本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。 我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。 本手法を用いて,各種データセットの質的,定量的な評価を行う。
  論文  参考訳（メタデータ） (2024-02-07T14:59:25Z)
• Wind Noise Reduction with a Diffusion-based Stochastic Regeneration Model [19.156383933702884]
  従来提案していた拡散型再生モデルを用いた単チャンネル風雑音低減手法を提案する。 本研究では,風の流れとクリップングによる膜面の非線形変形を考慮し,雑音モデルにおける非付加音声を導入する。
  論文  参考訳（メタデータ） (2023-06-22T13:25:57Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。