論文の概要: Data-driven generative simulation of SDEs using diffusion models
- arxiv url: http://arxiv.org/abs/2509.08731v1
- Date: Wed, 10 Sep 2025 16:17:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-11 15:16:52.501481
- Title: Data-driven generative simulation of SDEs using diffusion models
- Title（参考訳）: 拡散モデルを用いたSDEのデータ駆動生成シミュレーション
- Authors: Xuefeng Gao, Jiale Zha, Xun Yu Zhou,
- Abstract要約: 本稿では拡散モデルを用いて未知微分方程式(SDE)のサンプルパスを生成する新しい手法を提案する。
SDEからのサンプルパスの有限セットを与えられた場合、条件拡散モデルを用いて同じSDEの新たな合成パスを生成する。
実験的な研究では、これらの合成されたサンプルパスを利用して強化学習アルゴリズムの性能を向上させる。
- 参考スコア（独自算出の注目度）: 6.971254219321724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces a new approach to generating sample paths of unknown stochastic differential equations (SDEs) using diffusion models, a class of generative AI models commonly employed in image and video applications. Unlike the traditional Monte Carlo methods for simulating SDEs, which require explicit specifications of the drift and diffusion coefficients, our method takes a model-free, data-driven approach. Given a finite set of sample paths from an SDE, we utilize conditional diffusion models to generate new, synthetic paths of the same SDE. To demonstrate the effectiveness of our approach, we conduct a simulation experiment to compare our method with alternative benchmark ones including neural SDEs. Furthermore, in an empirical study we leverage these synthetically generated sample paths to enhance the performance of reinforcement learning algorithms for continuous-time mean-variance portfolio selection, hinting promising applications of diffusion models in financial analysis and decision-making.
- Abstract（参考訳）: 本稿では、拡散モデルを用いた未知確率微分方程式(SDE)のサンプルパスを生成するための新しいアプローチを提案する。
ドリフト係数と拡散係数の明示的な仕様を必要とする従来のSDEをシミュレートするモンテカルロ法とは異なり,本手法はモデルフリーでデータ駆動型アプローチを採用する。
SDEからのサンプルパスの有限セットを与えられた場合、条件拡散モデルを用いて同じSDEの新たな合成パスを生成する。
提案手法の有効性を実証するため,ニューラルSDEを含む代替ベンチマークと比較するシミュレーション実験を行った。
さらに、これらの合成標本経路を利用して、連続時間平均分散ポートフォリオ選択のための強化学習アルゴリズムの性能を高め、金融分析や意思決定における拡散モデルの有望な応用を示唆する。
関連論文リスト
- Unifying and extending Diffusion Models through PDEs for solving Inverse Problems [3.1225172236361165]
拡散モデルは、コンピュータビジョンと科学機械学習(SciML)に応用された強力な生成ツールとして登場した。
伝統的に、これらのモデルは変分推論、復調、統計信号処理、微分方程式の原理を用いて導出されてきた。
本研究では,線形偏微分方程式からアイデアを用いた拡散モデルを導出し,このアプローチにはいくつかの利点があることを示す。
論文 参考訳（メタデータ） (2025-04-10T04:07:36Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。
画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文 参考訳（メタデータ） (2023-11-02T02:05:38Z) - 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-based Generative Modeling Through Backward Stochastic Differential
Equations: Inversion and Generation [6.2255027793924285]
提案したBSDEベースの拡散モデルは、機械学習における微分方程式(SDE)の適用を拡大する拡散モデリングの新しいアプローチを示す。
モデルの理論的保証、スコアマッチングにリプシッツネットワークを用いることの利点、および拡散反転、条件拡散、不確実性定量化など様々な分野への応用の可能性を示す。
論文 参考訳（メタデータ） (2023-04-26T01:15:35Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z)
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。