Fugu-MT 論文翻訳(概要): Generative diffusion posterior sampling for informative likelihoods

論文の概要: Generative diffusion posterior sampling for informative likelihoods

arxiv url: http://arxiv.org/abs/2506.01083v1
Date: Sun, 01 Jun 2025 17:01:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-05 01:42:09.253336
Title: Generative diffusion posterior sampling for informative likelihoods
Title（参考訳）: 情報的可能性のための生成拡散後サンプリング
Authors: Zheng Zhao,
Abstract要約: 統計的効率を向上した新しい拡散後SMCサンプリング器を提案する。鍵となる考え方は、拡散モデルと相関する観測経路を構築し、この相関を利用してサンプルを設計することである。
参考スコア（独自算出の注目度）: 1.099572147539663
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Sequential Monte Carlo (SMC) methods have recently shown successful results for conditional sampling of generative diffusion models. In this paper we propose a new diffusion posterior SMC sampler achieving improved statistical efficiencies, particularly under outlier conditions or highly informative likelihoods. The key idea is to construct an observation path that correlates with the diffusion model and to design the sampler to leverage this correlation for more efficient sampling. Empirical results conclude the efficiency.
Abstract（参考訳）: 連続モンテカルロ法 (SMC) は近年, 生成拡散モデルの条件付きサンプリングに成功した。本稿では,特に不整合条件下での統計的効率の向上を実現するために,新しい拡散後SMCサンプリング器を提案する。鍵となる考え方は、拡散モデルと相関する観測経路を構築し、より効率的なサンプリングのためにこの相関を利用するためにサンプリング器を設計することである。実証的な結果は効率を結論付ける。

関連論文リスト

Accelerated Diffusion Models via Speculative Sampling [89.43940130493233]
投機的サンプリングは、大規模言語モデルにおける推論を加速する一般的な手法である。我々は投機的サンプリングを拡散モデルに拡張し、連続したベクトル値のマルコフ連鎖を介してサンプルを生成する。本稿では,ドラフトモデルをトレーニングする必要のない,シンプルで効果的なアプローチを含む,さまざまなドラフト戦略を提案する。
論文参考訳（メタデータ） (2025-01-09T16:50:16Z)
Provable Statistical Rates for Consistency Diffusion Models [87.28777947976573]
最先端の性能にもかかわらず、拡散モデルは、多くのステップが伴うため、遅いサンプル生成で知られている。本稿では, 整合性モデルに関する最初の統計理論に寄与し, 分散不整合最小化問題としてトレーニングを定式化している。
論文参考訳（メタデータ） (2024-06-23T20:34:18Z)
Diffusion Rejection Sampling [13.945372555871414]
Diffusion Rejection Sampling (DiffRS) は、サンプリングされたトランジションカーネルを各タイムステップで真のカーネルと整列するリジェクションサンプリングスキームである。提案手法は, 各中間段階における試料の品質を評価し, 試料に応じて異なる作業で精製する機構とみなすことができる。実験により,ベンチマークデータセット上でのDiffRSの最先端性能と高速拡散サンプリングおよび大規模テキスト・画像拡散モデルに対するDiffRSの有効性を実証した。
論文参考訳（メタデータ） (2024-05-28T07:00:28Z)
Bigger is not Always Better: Scaling Properties of Latent Diffusion Models [46.52780730073693]
遅延拡散モデル (LDM) のスケーリング特性について, サンプリング効率に着目して検討した。モデルサイズがサンプリング効率にどのように影響するかを,様々なサンプリングステップで詳細に調査する。予測予算の下で運用する場合、より小さなモデルは、高品質な結果を生み出す上で、より大きな等価性を上回ることがよくあります。
論文参考訳（メタデータ） (2024-04-01T17:59:48Z)
Simple and effective data augmentation for compositional generalization [64.00420578048855]
MRをサンプリングし,それらを逆翻訳するデータ拡張法は,合成一般化に有効であることを示す。注目すべきは、一様分布からのサンプリングは、テスト分布からのサンプリングとほぼ同等に実行されることである。
論文参考訳（メタデータ） (2024-01-18T09:13:59Z)
Fair Sampling in Diffusion Models through Switching Mechanism [5.560136885815622]
本研究では,拡散モデルに対するテクスタトリビュートスイッチング機構という,公平性を考慮したサンプリング手法を提案する。提案手法の有効性を2つの重要な側面から数学的に証明し,実験的に実証する。
論文参考訳（メタデータ） (2024-01-06T06:55:26Z)
Solving Diffusion ODEs with Optimal Boundary Conditions for Better Image Super-Resolution [82.50210340928173]
拡散モデルのランダム性は非効率性と不安定性をもたらすため、SR結果の品質を保証することは困難である。本稿では,一連の拡散型SR手法の恩恵を受ける可能性を持つプラグアンドプレイサンプリング手法を提案する。提案手法によりサンプリングされたSR結果の質は, 学習前の拡散ベースSRモデルと同一のランダム性を有する現在の手法でサンプリングされた結果の質より優れる。
論文参考訳（メタデータ） (2023-05-24T17:09:54Z)
Fast Inference in Denoising Diffusion Models via MMD Finetuning [23.779985842891705]
拡散モデルの高速サンプリング法であるMDD-DDMを提案する。我々のアプローチは、学習した分布を所定の予算のタイムステップで微調整するために、最大平均離散性(MMD)を使用するという考え方に基づいている。提案手法は,広範に普及した拡散モデルで要求されるわずかな時間で高品質なサンプルを生成できることが示唆された。
論文参考訳（メタデータ） (2023-01-19T09:48:07Z)

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。