論文の概要: Non-equilibrium Annealed Adjoint Sampler
- arxiv url: http://arxiv.org/abs/2506.18165v1
- Date: Sun, 22 Jun 2025 20:41:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.785828
- Title: Non-equilibrium Annealed Adjoint Sampler
- Title（参考訳）: 非平衡焼鈍結合型サンプリング器
- Authors: Jaemoo Choi, Yongxin Chen, Molei Tao, Guan-Horng Liu,
- Abstract要約: SOCを用いた新しい拡散サンプリング装置である textbfNon-equilibrium Annealed Adjoint Sampler (NAAS) を導入する。
NAASは、アジョイントマッチングにインスパイアされたリーンアジョイントシステムを採用し、効率的でスケーラブルなトレーニングを可能にしている。
- 参考スコア（独自算出の注目度）: 27.73022309947818
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, there has been significant progress in learning-based diffusion samplers, which aim to sample from a given unnormalized density. These methods typically follow one of two paradigms: (i) formulating sampling as an unbiased stochastic optimal control (SOC) problem using a canonical reference process, or (ii) refining annealed path measures through importance-weighted sampling. Although annealing approaches have advantages in guiding samples toward high-density regions, reliance on importance sampling leads to high variance and limited scalability in practice. In this paper, we introduce the \textbf{Non-equilibrium Annealed Adjoint Sampler (NAAS)}, a novel SOC-based diffusion sampler that leverages annealed reference dynamics without resorting to importance sampling. NAAS employs a lean adjoint system inspired by adjoint matching, enabling efficient and scalable training. We demonstrate the effectiveness of our approach across a range of tasks, including sampling from classical energy landscapes and molecular Boltzmann distribution.
- Abstract（参考訳）: 近年,与えられた非正規化密度からサンプルを採取することを目的とした,学習に基づく拡散サンプリングが著しく進歩している。
これらの手法は一般的に2つのパラダイムの1つに従う。
一 正準基準プロセスを用いた非バイアス確率的最適制御(SOC)問題としてのサンプリングの定式化、又は
(II)重要加重サンプリングによる焼鈍路の精製
焼鈍アプローチは試料を高密度領域へ誘導する利点があるが、重要サンプリングへの依存は、実際に高いばらつきと限られたスケーラビリティをもたらす。
本稿では, 重要サンプリングに頼らず, 熱処理された参照ダイナミクスを活用する新しいSOC拡散サンプリング装置である, textbf{Non-equilibrium Annealed Adjoint Sampler (NAAS)}を紹介する。
NAASは、アジョイントマッチングにインスパイアされたリーンアジョイントシステムを採用し、効率的でスケーラブルなトレーニングを可能にしている。
我々は,古典的なエネルギー景観からのサンプリングや分子ボルツマン分布など,様々なタスクにおけるアプローチの有効性を実証する。
関連論文リスト
- On scalable and efficient training of diffusion samplers [26.45926098524023]
データがない場合、非正規化エネルギー分布からサンプルを採取するために拡散モデルを訓練することの課題に対処する。
そこで我々は,従来の強力なサンプリング手法と拡散サンプリングを適切に調和させる,スケーラブルでサンプル効率のよいフレームワークを提案する。
本手法は,拡散サンプリングの標準ベンチマークにおける試料効率を大幅に向上し,高次元問題や実世界の分子コンホメータ生成に優れる。
論文 参考訳（メタデータ） (2025-05-26T06:16:34Z) - Sequential Controlled Langevin Diffusions [80.93988625183485]
2つの一般的な方法として,(1) 所定のマルコフ連鎖と再サンプリング工程を通した連続モンテカルロ (SMC) と,(2) 学習された動的輸送を用いる拡散に基づくサンプリング手法が最近開発された。
本稿では,SMC と拡散型サンプリング器を連続的に観察し,経路空間の測度を考慮し,SMC と拡散型サンプリング器を組み合わせるための基本的枠組みを提案する。
これは、従来の拡散のトレーニング予算の10%しか使用しない場合が多いが、これらの手法の利点を活用でき、複数のベンチマーク問題の性能向上に資するSCLD(Sequential Controlled Langevin Diffusion)サンプリング手法の成果である。
論文 参考訳（メタデータ） (2024-12-10T00:47:10Z) - NETS: A Non-Equilibrium Transport Sampler [15.58993313831079]
我々は、Non-Equilibrium Transport Sampler (NETS)と呼ばれるアルゴリズムを提案する。
NETSはJarzynskiの平等に基づいて、重要サンプリング(AIS)の亜種と見なすことができる。
このドリフトは、様々な目的関数の最小化であり、全て偏りのない方法で推定できることを示す。
論文 参考訳（メタデータ） (2024-10-03T17:35:38Z) - Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
反復Denoising Energy Matching (iDEM)
iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。
提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
論文 参考訳（メタデータ） (2024-02-09T01:11:23Z) - Improved off-policy training of diffusion samplers [93.66433483772055]
本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。
シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。
我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
論文 参考訳（メタデータ） (2024-02-07T18:51:49Z) - Jo-SRC: A Contrastive Approach for Combating Noisy Labels [58.867237220886885]
Jo-SRC (Joint Sample Selection and Model Regularization based on Consistency) というノイズロバスト手法を提案する。
具体的には、対照的な学習方法でネットワークをトレーニングする。
各サンプルの2つの異なるビューからの予測は、クリーンまたは分布不足の「可能性」を推定するために使用されます。
論文 参考訳（メタデータ） (2021-03-24T07:26:07Z)
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。
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。