論文の概要: Combining complex Langevin dynamics with score-based and energy-based diffusion models
- arxiv url: http://arxiv.org/abs/2510.01328v1
- Date: Wed, 01 Oct 2025 18:00:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:20.806252
- Title: Combining complex Langevin dynamics with score-based and energy-based diffusion models
- Title（参考訳）: 複雑なランゲヴィンダイナミクスとスコアベースおよびエネルギーベース拡散モデルの組み合わせ
- Authors: Gert Aarts, Diaa E. Habibi, Lingxiao Wang, Kai Zhou,
- Abstract要約: 生成AIでは、拡散モデルはデータから分布やログデリバティブを学習することができる。
複雑なランゲヴィン過程によってサンプリングされた分布を拡散モデルで学習する能力について検討する。
- 参考スコア（独自算出の注目度）: 7.578075022800128
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Theories with a sign problem due to a complex action or Boltzmann weight can sometimes be numerically solved using a stochastic process in the complexified configuration space. However, the probability distribution effectively sampled by this complex Langevin process is not known a priori and notoriously hard to understand. In generative AI, diffusion models can learn distributions, or their log derivatives, from data. We explore the ability of diffusion models to learn the distributions sampled by a complex Langevin process, comparing score-based and energy-based diffusion models, and speculate about possible applications.
- Abstract（参考訳）: 複素作用やボルツマン重みによる符号問題のある理論は、複素化された構成空間における確率過程を用いて数値的に解くことができる。
しかし、この複雑なランゲヴィン過程によって効果的にサンプリングされた確率分布は、先行性は知られておらず、理解が難しいことが知られている。
生成AIでは、拡散モデルはデータから分布やログデリバティブを学習することができる。
複雑なランゲヴィン過程によってサンプリングされた分布を学習し、スコアベースおよびエネルギーベース拡散モデルと比較し、応用の可能性について推測する拡散モデルについて検討する。
関連論文リスト
- Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
量子離散化拡散確率モデル(QD3PM)を提案する。
これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。
本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
論文 参考訳（メタデータ） (2025-05-08T11:48:21Z) - Non-asymptotic Analysis of Diffusion Annealed Langevin Monte Carlo for Generative Modelling [1.9526430269580959]
拡散モデルのようなデータ分布のガウス的畳み込みとして分布の経路が定義されるランゲヴィン力学に対する非漸近誤差境界を提供する。
次に、最近提案した重み付き(Student's t)拡散経路に結果を拡張し、重み付きデータ分布の理論的性質を初めて示す。
論文 参考訳（メタデータ） (2025-02-13T13:18:30Z) - Diffusion models learn distributions generated by complex Langevin dynamics [6.610338540492242]
生成AIのクラスである拡散モデルは、データから分布を学習することができる。
このコントリビューションでは、複雑なランゲヴィン過程によって生成された分布を学習する拡散モデルについて検討する。
論文 参考訳（メタデータ） (2024-12-02T19:07:14Z) - How Discrete and Continuous Diffusion Meet: Comprehensive Analysis of Discrete Diffusion Models via a Stochastic Integral Framework [11.71206628091551]
L'evy型積分に基づく離散拡散モデルの誤差解析のための包括的フレームワークを提案する。
我々のフレームワークは、離散拡散モデルにおける現在の理論結果を統一し、強化する。
論文 参考訳（メタデータ） (2024-10-04T16:59:29Z) - Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian
Mixture Models [59.331993845831946]
拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。
本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
論文 参考訳（メタデータ） (2024-03-03T23:15:48Z) - Broadening Target Distributions for Accelerated Diffusion Models via a Novel Analysis Approach [49.97755400231656]
本研究では,新しいDDPMサンプリング器が,これまで考慮されていなかった3種類の分散クラスに対して高速化性能を実現することを示す。
この結果から, DDPM型加速サンプリング器におけるデータ次元$d$への依存性が改善された。
論文 参考訳（メタデータ） (2024-02-21T16:11:47Z) - On Error Propagation of Diffusion Models [77.91480554418048]
DMのアーキテクチャにおける誤り伝播を数学的に定式化するための理論的枠組みを開発する。
累積誤差を正規化項として適用して誤差伝搬を低減する。
提案した正規化はエラーの伝播を低減し,バニラDMを大幅に改善し,以前のベースラインよりも優れていた。
論文 参考訳（メタデータ） (2023-08-09T15:31:17Z) - 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) - Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。
実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
論文 参考訳（メタデータ） (2023-03-03T11:31:55Z)
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。