論文の概要: SESaMo: Symmetry-Enforcing Stochastic Modulation for Normalizing Flows

• arxiv url: http://arxiv.org/abs/2505.19619v2
• Date: Thu, 05 Jun 2025 15:24:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 19:24:15.995804
• Title: SESaMo: Symmetry-Enforcing Stochastic Modulation for Normalizing Flows
• Title（参考訳）: SESaMo: 正規化流れに対するSymmetry-Enforcecing StochasticModulation
• Authors: Janik Kreit, Dominic Schuh, Kim A. Nicoli, Lena Funcke,
• Abstract要約: 本稿では,Symmetry-Enforcecing Modulation (SESaMo)を紹介する。 SESaMoは、誘導変調と呼ばれる新しい技術により、バイアス(例えば対称性)を正規化フローに組み込むことを可能にする。 数値実験では、8-ガウス混合モデルと物理的に関連する場理論を含む様々なシナリオでSESaMoをベンチマークした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep generative models have recently garnered significant attention across various fields, from physics to chemistry, where sampling from unnormalized Boltzmann-like distributions represents a fundamental challenge. In particular, autoregressive models and normalizing flows have become prominent due to their appealing ability to yield closed-form probability densities. Moreover, it is well-established that incorporating prior knowledge - such as symmetries - into deep neural networks can substantially improve training performances. In this context, recent advances have focused on developing symmetry-equivariant generative models, achieving remarkable results. Building upon these foundations, this paper introduces Symmetry-Enforcing Stochastic Modulation (SESaMo). Similar to equivariant normalizing flows, SESaMo enables the incorporation of inductive biases (e.g., symmetries) into normalizing flows through a novel technique called stochastic modulation. This approach enhances the flexibility of the generative model, allowing to effectively learn a variety of exact and broken symmetries. Our numerical experiments benchmark SESaMo in different scenarios, including an 8-Gaussian mixture model and physically relevant field theories, such as the $\phi^4$ theory and the Hubbard model.
• Abstract（参考訳）: 深層生成モデルは、物理学から化学まで様々な分野において大きな注目を集めており、非正規化ボルツマン分布からのサンプリングは根本的な課題である。 特に, 自己回帰モデルと正規化フローは, 閉形式確率密度が得られるため, 顕著である。 さらに、ディープニューラルネットワークに事前知識(対称性など)を組み込むことで、トレーニングのパフォーマンスが大幅に向上することが確立されている。 この文脈において、近年の進歩は対称性同変生成モデルの開発に焦点が当てられ、顕著な結果が得られた。 本稿では,これらの基礎に基づいて,Symmetry-Enforcecing Stochastic Modulation(SESaMo)を紹介する。 等変正規化フローと同様に、SESaMoは確率変調と呼ばれる新しい手法によって誘導バイアス(例えば対称性)を正規化フローに組み込むことができる。 このアプローチは生成モデルの柔軟性を高め、様々な正確な対称性と壊れた対称性を効果的に学習することを可能にする。 数値実験では、8-ガウス混合モデルや$\phi^4$理論やHubbardモデルなど、様々なシナリオでSESaMoをベンチマークした。

関連論文リスト

• Simulating the Hubbard Model with Equivariant Normalizing Flows [0.0]
  ボルツマン分布を正確に学習するために正規化フローがうまく適用されている。 本稿では,ハバードモデルに対するボルツマン分布の学習に,フローの正規化が有効であることを示す。
  論文  参考訳（メタデータ） (2025-01-13T14:40:42Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Time-changed normalizing flows for accurate SDE modeling [5.402030962296633]
  ブラウン運動の時間変形に基づく動的正規化流れの新たな変換を提案する。 このアプローチは、他の方法ではモデル化できないいくつかのSDEを効果的にモデル化することを可能にする。
  論文  参考訳（メタデータ） (2023-12-22T13:57:29Z)
• Uncertainty-aware Surrogate Models for Airfoil Flow Simulations with Denoising Diffusion Probabilistic Models [26.178192913986344]
  本研究では,拡散確率モデル(DDPM)を用いて乱流シミュレーションのための不確実性を考慮した代理モデルの訓練を行う。 その結果、DDPMは解全体の分布を正確に把握し、その結果、シミュレーションの不確かさを正確に推定できることがわかった。 また,正規拡散モデルと比較して,新たな生成モデルであるフローマッチングの評価を行った。
  論文  参考訳（メタデータ） (2023-12-08T19:04:17Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• Stochastic normalizing flows as non-equilibrium transformations [62.997667081978825]
  正規化フローは従来のモンテカルロシミュレーションよりも効率的に格子場理論をサンプリングするための経路を提供することを示す。 本稿では,この拡張された生成モデルの効率を最適化する戦略と応用例を示す。
  論文  参考訳（メタデータ） (2022-01-21T19:00:18Z)
• Equivariant Flows: Exact Likelihood Generative Learning for Symmetric Densities [1.7188280334580197]
  正規化フローは、単純な事前分布から興味の確率分布のサンプルに変換する、正確に類似した生成ニューラルネットワークである。 近年の研究では、このような生成モデルは統計力学において、物理学や化学における多体系の平衡状態のサンプリングに利用できることが示されている。
  論文  参考訳（メタデータ） (2020-06-03T17:54:26Z)

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。