論文の概要: Diffusion Generative Models Meet Compressed Sensing, with Applications to Imaging and Finance

• arxiv url: http://arxiv.org/abs/2509.03898v2
• Date: Sun, 28 Sep 2025 19:56:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 17:47:09.201453
• Title: Diffusion Generative Models Meet Compressed Sensing, with Applications to Imaging and Finance
• Title（参考訳）: 圧縮センシングを用いた拡散生成モデルとイメージング・ファイナンスへの応用
• Authors: Zhengyi Guo, Jiatu Li, Wenpin Tang, David D. Yao,
• Abstract要約: CSDM: まずデータセットを潜伏空間に圧縮し、潜伏空間で拡散モデルを訓練し、次に、潜伏空間で生成されたサンプルに圧縮されたセンシングアルゴリズムを適用して元の空間に復号する。 提案手法は, 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, より高速な収束を実現する。 このアプローチの有効性を説明するために,手書きの数字,医療・気候画像,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を用いて数値実験を行った。
• 参考スコア（独自算出の注目度）: 7.967038299436285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study we develop dimension-reduction techniques to accelerate diffusion model inference in the context of synthetic data generation. The idea is to integrate compressed sensing into diffusion models (hence, CSDM): First, compress the dataset into a latent space (from an ambient space), and train a diffusion model in the latent space; next, apply a compressed sensing algorithm to the samples generated in the latent space for decoding back to the original space; and the goal is to facilitate the efficiency of both model training and inference. Under certain sparsity assumptions on data, our proposed approach achieves provably faster convergence, via combining diffusion model inference with sparse recovery. It also sheds light on the best choice of the latent space dimension. To illustrate the effectiveness of this approach, we run numerical experiments on a range of datasets, including handwritten digits, medical and climate images, and financial time series for stress testing.
• Abstract（参考訳）: 本研究では,合成データ生成の文脈における拡散モデル推論を高速化する次元還元手法を開発した。 まず、データセットを(周囲空間から)潜伏空間に圧縮し、潜伏空間で拡散モデルを訓練し、次に、潜伏空間で生成されたサンプルに圧縮センシングアルゴリズムを適用して元の空間に復号する。 提案手法は, 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, より高速な収束を実現する。 また、潜在空間次元の最良の選択についても光を当てる。 このアプローチの有効性を説明するために,手書きの数字,医療・気候画像,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を用いて数値実験を行った。

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。