論文の概要: Diffusion Generative Models Meet Compressed Sensing, with Applications to Image Data and Financial Time Series

• arxiv url: http://arxiv.org/abs/2509.03898v1
• Date: Thu, 04 Sep 2025 05:45:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.065873
• Title: Diffusion Generative Models Meet Compressed Sensing, with Applications to Image Data and Financial Time Series
• Title（参考訳）: 圧縮センシングを用いた拡散生成モデルと画像データと財務時系列への応用
• Authors: Zhengyi Guo, Jiatu Li, Wenpin Tang, David D. Yao,
• Abstract要約: 我々は,合成データ生成の文脈において拡散モデル推論次元を加速させる技術を開発した。 提案アルゴリズムは,拡散モデル推論とスパースリカバリを組み合わせることにより,より高速な収束を享受できることが証明された。 副生成物として、潜在空間次元の最適値を得る。
• 参考スコア（独自算出の注目度）: 7.967038299436285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper develops dimension reduction techniques for accelerating diffusion model inference in the context of synthetic data generation. The idea is to integrate compressed sensing into diffusion models: (i) compress the data into a latent space, (ii) train a diffusion model in the latent space, and (iii) apply a compressed sensing algorithm to the samples generated in the latent space, facilitating the efficiency of both model training and inference. Under suitable sparsity assumptions on data, the proposed algorithm is proved to enjoy faster convergence by combining diffusion model inference with sparse recovery. As a byproduct, we obtain an optimal value for the latent space dimension. We also conduct numerical experiments on a range of datasets, including image data (handwritten digits, medical images, and climate data) and financial time series for stress testing.
• Abstract（参考訳）: 本稿では,合成データ生成の文脈における拡散モデル推論の高速化のための次元削減手法を開発する。 その考え方は、圧縮センシングを拡散モデルに統合することである。 i)データを潜在空間に圧縮する。 (二)潜伏空間における拡散モデルを訓練し、 三 圧縮センシングアルゴリズムを潜時空間で生成されたサンプルに適用し、モデルトレーニングと推論の両方の効率を高める。 提案アルゴリズムは, 拡散モデル推論とスパースリカバリを併用することにより, より高速な収束を享受できることを実証した。 副生成物として、潜在空間次元の最適値を得る。 また、画像データ(手書き数字、医療画像、気候データ)やストレステストのための財務時系列など、さまざまなデータセットに関する数値実験も行います。

関連論文リスト

• Generative Learning of Densities on Manifolds [3.081704060720176]
  拡散モデルと多様体学習を組み合わせた生成モデリングフレームワークを提案する。 このアプローチは拡散マップを用いて、高次元データ(周囲)空間の低次元(ラテント)空間を発見できる。
  論文  参考訳（メタデータ） (2025-03-05T23:29:06Z)
• Diffusion Models Learn Low-Dimensional Distributions via Subspace Clustering [15.326641037243006]
  拡散モデルは画像分布を効果的に学習し、新しいサンプルを生成する。 我々は、この現象に関する理論的な洞察を、重要な経験的観測を利用して提供する。 基礎となる分布を学習するのに必要となるサンプルの最小数は、本質的な次元と線形にスケールすることを示す。
  論文  参考訳（メタデータ） (2024-09-04T04:14:02Z)
• Constrained Diffusion Models via Dual Training [80.03953599062365]
  拡散プロセスは、トレーニングデータセットのバイアスを反映したサンプルを生成する傾向がある。 所望の分布に基づいて拡散制約を付与し,制約付き拡散モデルを構築する。 本稿では,制約付き拡散モデルを用いて,目的と制約の最適なトレードオフを実現する混合データ分布から新しいデータを生成することを示す。
  論文  参考訳（メタデータ） (2024-08-27T14:25:42Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)

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。