論文の概要: One-shot Conditional Sampling: MMD meets Nearest Neighbors

• arxiv url: http://arxiv.org/abs/2509.25507v1
• Date: Mon, 29 Sep 2025 21:04:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.323523
• Title: One-shot Conditional Sampling: MMD meets Nearest Neighbors
• Title（参考訳）: MMDが隣人に近寄るワンショットコンディショナルサンプリング
• Authors: Anirban Chatterjee, Sayantan Choudhury, Rohan Hore,
• Abstract要約: 条件抽出のための新しいフレームワークであるMD(CGMMD)を用いた条件付きジェネレータを提案する。 CGMMDの重要な特徴は、ジェネレータの1つの前方通過で条件付きサンプルを生成する能力である。 CGMMDは複雑な条件密度を含む合成タスクにおいて競合的に機能することを示す。
• 参考スコア（独自算出の注目度）: 3.6831672200803993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How can we generate samples from a conditional distribution that we never fully observe? This question arises across a broad range of applications in both modern machine learning and classical statistics, including image post-processing in computer vision, approximate posterior sampling in simulation-based inference, and conditional distribution modeling in complex data settings. In such settings, compared with unconditional sampling, additional feature information can be leveraged to enable more adaptive and efficient sampling. Building on this, we introduce Conditional Generator using MMD (CGMMD), a novel framework for conditional sampling. Unlike many contemporary approaches, our method frames the training objective as a simple, adversary-free direct minimization problem. A key feature of CGMMD is its ability to produce conditional samples in a single forward pass of the generator, enabling practical one-shot sampling with low test-time complexity. We establish rigorous theoretical bounds on the loss incurred when sampling from the CGMMD sampler, and prove convergence of the estimated distribution to the true conditional distribution. In the process, we also develop a uniform concentration result for nearest-neighbor based functionals, which may be of independent interest. Finally, we show that CGMMD performs competitively on synthetic tasks involving complex conditional densities, as well as on practical applications such as image denoising and image super-resolution.
• Abstract（参考訳）: 完全に観察できない条件分布からサンプルを生成するにはどうすればいいのか? この問題は、コンピュータビジョンにおける画像後処理、シミュレーションベースの推論における近似的な後方サンプリング、複雑なデータ設定における条件分布モデリングなど、現代の機械学習と古典統計学の両方の幅広い応用にまたがる。 このような設定では、無条件サンプリングと比較して、より適応的で効率的なサンプリングを可能にするために追加の特徴情報を利用することができる。 そこで本研究では,MDD (CGMMD) を用いた条件付きジェネレータを提案する。 多くの現代の手法とは異なり、本手法は単純な対向のない直接最小化問題として訓練目標を定式化している。 CGMMDの重要な特徴は、ジェネレータの1つの前方通過で条件付きサンプルを生成する能力であり、テスト時間の複雑さが低い実用的なワンショットサンプリングを可能にすることである。 我々は,CGMMDサンプリング器から採取した損失の厳密な理論的境界を確立し,推定分布の真の条件分布への収束性を証明した。 また, このプロセスでは, 隣り合う機能に対して, 独立に興味を持つような均一な濃度結果も生み出す。 最後に,CGMMDは複雑な条件密度を含む合成タスクや,画像のデノゲーションや画像超解像といった実用的な応用において,競合的に機能することを示す。

関連論文リスト

• Chance-constrained Flow Matching for High-Fidelity Constraint-aware Generation [46.932479632530764]
  Chance-Constrained Flow Matchingは、最適化をサンプリングプロセスに統合し、ハード制約の効果的な適用を可能にする。 実験により、CCFMは複雑な物理系のモデリングにおいて、現在の最先端の制約付き生成モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-29T17:56:52Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• UniPC: A Unified Predictor-Corrector Framework for Fast Sampling of Diffusion Models [92.43617471204963]
  拡散確率モデル(DPM)は高分解能画像合成において非常に有望な能力を示した。 我々は既存のDPMサンプリング器の後に適用可能な統一補正器(UniC)を開発し、精度を向上する。 そこで我々は,DPMの高速サンプリングのためのUniPCと呼ばれる統合予測器・相関器フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-09T18:59:48Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Learning Sampling Distributions for Model Predictive Control [36.82905770866734]
  モデル予測制御(MPC)に対するサンプリングに基づくアプローチは、MPCに対する現代のアプローチの基盤となっている。 我々は、学習された分布を最大限に活用できるように、潜在空間における全ての操作を実行することを提案する。 具体的には、学習問題を双方向の最適化として捉え、バックプロパゲーションスルータイムでコントローラをトレーニングする方法を示す。
  論文  参考訳（メタデータ） (2022-12-05T20:35:36Z)
• Selectively increasing the diversity of GAN-generated samples [8.980453507536017]
  本稿では,GAN生成サンプルの多様性を選択的に向上する手法を提案する。 本研究では,CERN における ALICE 実験のZero Degree Calorimeter から得られたデータをシミュレーションする実生活シナリオとともに,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2022-07-04T16:27:06Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
  本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。 学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。 非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
  論文  参考訳（メタデータ） (2020-12-15T07:09:02Z)

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。