論文の概要: Minimum-Excess-Work Guidance

• arxiv url: http://arxiv.org/abs/2505.13375v2
• Date: Tue, 20 May 2025 15:35:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 12:33:37.472821
• Title: Minimum-Excess-Work Guidance
• Title（参考訳）: 最低限の作業指導
• Authors: Christopher Kolloff, Tobias Höppe, Emmanouil Angelis, Mathias Jacob Schreiner, Stefan Bauer, Andrea Dittadi, Simon Olsson,
• Abstract要約: 本稿では,事前学習した確率フロー生成モデルを導くための正規化フレームワークを提案する。 本手法は,科学応用に共通するスパースデータ体制における効率的なガイダンスを可能にする。 粗粒タンパク質モデルにおけるフレームワークの汎用性を実証する。
• 参考スコア（独自算出の注目度）: 17.15668604906196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a regularization framework inspired by thermodynamic work for guiding pre-trained probability flow generative models (e.g., continuous normalizing flows or diffusion models) by minimizing excess work, a concept rooted in statistical mechanics and with strong conceptual connections to optimal transport. Our approach enables efficient guidance in sparse-data regimes common to scientific applications, where only limited target samples or partial density constraints are available. We introduce two strategies: Path Guidance for sampling rare transition states by concentrating probability mass on user-defined subsets, and Observable Guidance for aligning generated distributions with experimental observables while preserving entropy. We demonstrate the framework's versatility on a coarse-grained protein model, guiding it to sample transition configurations between folded/unfolded states and correct systematic biases using experimental data. The method bridges thermodynamic principles with modern generative architectures, offering a principled, efficient, and physics-inspired alternative to standard fine-tuning in data-scarce domains. Empirical results highlight improved sample efficiency and bias reduction, underscoring its applicability to molecular simulations and beyond.
• Abstract（参考訳）: 本稿では,事前学習した確率フロー生成モデル(例えば,連続正規化フローや拡散モデル)を,統計力学に根ざした概念である最適輸送への強い概念的接続を最小化することにより,熱力学的作業にインスパイアされた正規化フレームワークを提案する。 本手法は,限られた対象サンプルや部分密度制約のみを利用できる科学応用に共通するスパース・データ・レシエーションにおける効率的なガイダンスを可能にする。 ユーザの定義したサブセットに確率質量を集中させることで希少な遷移状態のサンプリングを行うパスガイダンスと、エントロピーを保ちながら発生した分布を実験観測可能なものと整合させるオブザーバブルガイダンスの2つの戦略を導入する。 本研究では, 粗粒タンパク質モデルにおけるフレームワークの汎用性を実証し, 折りたたみ状態と折りたたみ状態間の遷移構成と, 実験データを用いた系統的バイアスの正しさを導出する。 この手法は、熱力学の原理を現代的な生成的アーキテクチャで橋渡しし、データ・スカース領域における標準的な微調整の代わりとして、原理的、効率的、物理学に着想を得た代替手段を提供する。 実験結果では、サンプル効率とバイアス低減の改善が強調され、分子シミュレーションなどへの適用性が強調された。

関連論文リスト

• Adjoint Sampling: Highly Scalable Diffusion Samplers via Adjoint Matching [33.9461078261722]
  非正規化密度からの拡散過程を学習するための,高度にスケーラブルで効率的なアルゴリズムであるAdjoint Samplingを導入する。 カルテジアンおよびねじり座標の両方の分子をモデル化するために、鍵対称性と周期境界条件を組み込む方法を示す。 本稿では,古典的エネルギー関数の広範な実験を通じて提案手法の有効性を実証し,さらにニューラルネットワークに基づくエネルギーモデルまで拡張する。
  論文  参考訳（メタデータ） (2025-04-16T02:20:06Z)
• Conditional Lagrangian Wasserstein Flow for Time Series Imputation [3.583527519172841]
  条件付きラグランジアン・ワッサースタイン流は時系列計算の新しい方法である。 対応する運動エネルギーを最小化することで速度を学習する。 モデルの性能を高めるために,タスク固有ポテンシャル関数の勾配を推定する。
  論文  参考訳（メタデータ） (2024-10-10T02:46:28Z)
• Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
  本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。 物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
  論文  参考訳（メタデータ） (2024-07-10T17:39:50Z)
• 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)
• Space-Time Diffusion Bridge [0.4527270266697462]
  実確率分布から独立かつ同一に分布する新しい合成サンプルを生成する方法を提案する。 時空間次元にまたがる時空間混合戦略を用いる。 数値実験による時空拡散法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-13T23:26:11Z)
• Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
  本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。 提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
  論文  参考訳（メタデータ） (2024-02-05T22:18:16Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Sampling with Mollified Interaction Energy Descent [57.00583139477843]
  モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。 MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する 我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-10-24T16:54:18Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)

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。