論文の概要: An effective potential for generative modelling with active matter
- arxiv url: http://arxiv.org/abs/2508.08146v1
- Date: Mon, 11 Aug 2025 16:21:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:29.205399
- Title: An effective potential for generative modelling with active matter
- Title（参考訳）: 活性物質を用いた生成モデル構築のための有効なポテンシャル
- Authors: Adrian Baule,
- Abstract要約: 有限の相関時間を持つ活性粒子プロセスに基づいて生成拡散モデルを実装可能であることを示す。
活性粒子の速度座標に作用するスコア関数を用いる従来の手法とは対照的に、位置座標に有効時間依存電位を課すことにより、時間反転が達成される。
有効ポテンシャルは持続時間において第一次に有効であり、標準スコア関数とその導関数によって完全に決定される力場につながる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Score-based diffusion models generate samples from a complex underlying data distribution by time-reversal of a diffusion process and represent the state-of-the-art in many generative AI applications such as artificial image synthesis. Here, I show how a generative diffusion model can be implemented based on an underlying active particle process with finite correlation time. In contrast to previous approaches that use a score function acting on the velocity coordinate of the active particle, time reversal is here achieved by imposing an effective time-dependent potential on the position coordinate only. The effective potential is valid to first order in the persistence time and leads to a force field that is fully determined by the standard score function and its derivatives up to 2nd order. Numerical experiments for artificial data distributions confirm the validity of the effective potential.
- Abstract（参考訳）: スコアベース拡散モデルは、拡散過程の時間反転によって複雑なデータ分布からサンプルを生成し、人工画像合成のような多くの生成AIアプリケーションにおける最先端の状態を表現している。
本稿では, 有限の相関時間を持つ活性粒子プロセスに基づいて, 生成拡散モデルを実現する方法を示す。
活性粒子の速度座標に作用するスコア関数を用いる従来の手法とは対照的に、位置座標に有効時間依存電位を課すことにより、時間反転が達成される。
有効ポテンシャルは持続時間において第一次に有効であり、標準スコア関数とその導関数によって完全に決定される力場につながる。
人工データ分布の数値実験により,有効ポテンシャルの有効性が確認された。
関連論文リスト
- Your Absorbing Discrete Diffusion Secretly Models the Conditional Distributions of Clean Data [55.54827581105283]
本研究では, 吸収拡散の具体的なスコアを, クリーンデータの条件付き確率として表すことができることを示す。
時間に依存しない条件付き確率を特徴付ける時間条件のない専用拡散モデルを提案する。
5つのゼロショット言語モデルベンチマークにおける拡散モデル間のSOTA性能を実現する。
論文 参考訳（メタデータ） (2024-06-06T04:22:11Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳（メタデータ） (2023-10-11T18:38:28Z) - Stochastic Interpolants: A Unifying Framework for Flows and Diffusions [16.95541777254722]
フローベースおよび拡散ベースを統一する生成モデルのクラスを紹介する。
これらのモデルは、Albergo & VandenEijnden (2023) で提案されたフレームワークを拡張し、確率補間子と呼ばれる広範囲の連続時間プロセスの使用を可能にする。
これらの補間材は、2つの所定の密度のデータと、橋を柔軟に形作る追加の潜伏変数を組み合わせることで構築される。
論文 参考訳（メタデータ） (2023-03-15T17:43:42Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z) - Inference and De-Noising of Non-Gaussian Particle Distribution
Functions: A Generative Modeling Approach [0.0]
数値シミュレーションによって生成されたデータに対する推測は、一般に、粒子分布関数を回復するためにデータを結合する。
ここでは、正規化フローを用いて、雑音粒子分布関数に対する滑らかでトラクタブルな近似を学習する。
論文 参考訳（メタデータ） (2021-10-05T16:38:04Z)
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。