論文の概要: Proximal Diffusion Neural Sampler

• arxiv url: http://arxiv.org/abs/2510.03824v1
• Date: Sat, 04 Oct 2025 14:44:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.279653
• Title: Proximal Diffusion Neural Sampler
• Title（参考訳）: 近拡散型ニューラルサンプリング装置
• Authors: Wei Guo, Jaemoo Choi, Yuchen Zhu, Molei Tao, Yongxin Chen,
• Abstract要約: 経路測度空間上の近点法による最適制御問題に対処するtextbf Proximal Diffusion Neural Sampler (PDNS) というフレームワークを提案する。 PDNSは学習プロセスを一連のより単純なサブプロブレムに分解し、所望の分布に徐々に近づく経路を生成する。 連続的および離散的なサンプリングタスクの広範な実験を通じて,PDNSの有効性とロバスト性を示す。
• 参考スコア（独自算出の注目度）: 45.335824474545795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The task of learning a diffusion-based neural sampler for drawing samples from an unnormalized target distribution can be viewed as a stochastic optimal control problem on path measures. However, the training of neural samplers can be challenging when the target distribution is multimodal with significant barriers separating the modes, potentially leading to mode collapse. We propose a framework named \textbf{Proximal Diffusion Neural Sampler (PDNS)} that addresses these challenges by tackling the stochastic optimal control problem via proximal point method on the space of path measures. PDNS decomposes the learning process into a series of simpler subproblems that create a path gradually approaching the desired distribution. This staged procedure traces a progressively refined path to the desired distribution and promotes thorough exploration across modes. For a practical and efficient realization, we instantiate each proximal step with a proximal weighted denoising cross-entropy (WDCE) objective. We demonstrate the effectiveness and robustness of PDNS through extensive experiments on both continuous and discrete sampling tasks, including challenging scenarios in molecular dynamics and statistical physics.
• Abstract（参考訳）: 非正規化対象分布からサンプルを抽出する拡散型ニューラルサンプリングを学習する作業は、経路測度に関する確率論的最適制御問題とみなすことができる。 しかし、標的分布がマルチモーダルであり、モードを分離する大きな障壁があり、モード崩壊につながる可能性がある場合、ニューラルサンプリングのトレーニングは困難である。 本稿では,経路測度空間上の近点法による確率的最適制御問題に取り組むことにより,これらの課題に対処するフレームワークとして,textbf{Proximal Diffusion Neural Sampler (PDNS)を提案する。 PDNSは学習プロセスを一連のより単純なサブプロブレムに分解し、所望の分布に徐々に近づく経路を生成する。 この段階的な手順は、所望の分布に徐々に洗練された経路を辿り、モード間の徹底的な探索を促進する。 実用的で効率的な実現のために、各近位ステップを、近位重み付き遮蔽クロスエントロピー(WDCE)目標でインスタンス化する。 分子動力学および統計物理学における挑戦的シナリオを含む連続的および離散的なサンプリングタスクの広範な実験を通じて,PDNSの有効性と堅牢性を示す。

関連論文リスト

• MDNS: Masked Diffusion Neural Sampler via Stochastic Optimal Control [28.6806212080778]
  離散状態空間からサンプルを生成するために,ニューラルサンプリングを学習する問題について検討する。 離散型ニューラルサンプリングのための新しいフレームワークである$textbfM$asked $textbfDtextiffusionを提案する。
  論文  参考訳（メタデータ） (2025-08-14T14:27:16Z)
• Inferring biological processes with intrinsic noise from cross-sectional data [0.8192907805418583]
  データから動的モデルを推定することは、計算生物学における重要な課題である。 確率フロー推論(PFI)は,ODE推論のアルゴリズム的容易性を維持しつつ,本質性から力を引き離すことを示す。 実例では,PFIは高次元反応ネットワークにおける正確なパラメータと力の推定を可能にし,分子ノイズによる細胞分化動態の推測を可能にする。
  論文  参考訳（メタデータ） (2024-10-10T00:33:25Z)
• Adaptive teachers for amortized samplers [76.88721198565861]
  そこで,本研究では,初等無罪化標本作成者(学生)の指導を指導する適応的学習分布(教師)を提案する。 本研究では, この手法の有効性を, 探索課題の提示を目的とした合成環境において検証する。
  論文  参考訳（メタデータ） (2024-10-02T11:33:13Z)
• Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
  本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。 物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
  論文  参考訳（メタデータ） (2024-07-10T17:39:50Z)
• Diffusion-ES: Gradient-free Planning with Diffusion for Autonomous Driving and Zero-Shot Instruction Following [21.81411085058986]
  Reward-gradient guided denoisingは、微分可能報酬関数と拡散モデルによって捕捉されたデータ分布下での確率の両方を最大化する軌道を生成する。 そこで我々は,勾配のない最適化と軌道デノゲーションを組み合わせたDiffusionESを提案する。 DiffusionESは、自動運転のための確立されたクローズドループ計画ベンチマークであるnuPlan上で、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-09T17:18:33Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)

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。