論文の概要: Blade: A Derivative-free Bayesian Inversion Method using Diffusion Priors

• arxiv url: http://arxiv.org/abs/2510.10968v1
• Date: Mon, 13 Oct 2025 03:19:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.179227
• Title: Blade: A Derivative-free Bayesian Inversion Method using Diffusion Priors
• Title（参考訳）: Blade: 拡散プリミティブを用いた導出自由ベイズ変換法
• Authors: Hongkai Zheng, Austin Wang, Zihui Wu, Zhengyu Huang, Ricardo Baptista, Yisong Yue,
• Abstract要約: 我々は,相互作用する粒子のアンサンブルを用いて,ベイズ反転の正確かつよく校正された後部を生成できるBladeを紹介した。 ブレイドは、様々な逆問題に対する既存の微分自由ベイズ反転法と比較して優れた性能を発揮する。
• 参考スコア（独自算出の注目度）: 27.491109854890492
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Derivative-free Bayesian inversion is an important task in many science and engineering applications, particularly when computing the forward model derivative is computationally and practically challenging. In this paper, we introduce Blade, which can produce accurate and well-calibrated posteriors for Bayesian inversion using an ensemble of interacting particles. Blade leverages powerful data-driven priors based on diffusion models, and can handle nonlinear forward models that permit only black-box access (i.e., derivative-free). Theoretically, we establish a non-asymptotic convergence analysis to characterize the effects of forward model and prior estimation errors. Empirically, Blade achieves superior performance compared to existing derivative-free Bayesian inversion methods on various inverse problems, including challenging highly nonlinear fluid dynamics.
• Abstract（参考訳）: 微分自由ベイズ変換は多くの科学や工学の応用において重要なタスクであり、特にフォワードモデル微分の計算が計算的かつ実際的困難である場合である。 本稿では,相互作用する粒子のアンサンブルを用いて,ベイズ反転の正確かつよく校正された後部を生成できるBladeを紹介する。 Bladeは拡散モデルに基づく強力なデータ駆動の先行モデルを活用し、ブラックボックスへのアクセスのみを許す非線形フォワードモデル(微分フリー)を扱うことができる。 理論的には、フォワードモデルと事前推定誤差の効果を特徴付けるために、非漸近収束解析を確立する。 経験的に、ブレイドは、高非線形流体力学の挑戦を含む様々な逆問題において、既存の微分自由ベイズ反転法と比較して優れた性能を達成している。

関連論文リスト

• Optimal Bayesian Affine Estimator and Active Learning for the Wiener Model [3.7414278978078204]
  我々は、未知パラメータに対する閉形式最適アフィン推定器を導出し、いわゆる「力学基底統計」を特徴とする。 我々は,推定誤差を最小限に抑えるために,入力信号を合成する能動的学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-04-07T20:36:06Z)
• Covariance-Adaptive Sequential Black-box Optimization for Diffusion Targeted Generation [60.41803046775034]
  ユーザのブラックボックス目標スコアのみを用いた拡散モデルを用いて,ユーザ優先のターゲット生成を行う方法を示す。 数値実験問題と目標誘導型3次元分子生成タスクの両方の実験により,より優れた目標値を得る上で,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-06-02T17:26:27Z)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• Bayesian Gaussian Process ODEs via Double Normalizing Flows [27.015257976208737]
  本稿では,ODEベクトル場を再パラメータ化するために正規化フローを導入し,データ駆動の事前分布を導出する。 また, GP ODE の後部推定に正規化フローを適用し, 強平均場仮定の問題を解く。 シミュレーション力学系と実世界の人間の動作データに対するアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-17T09:28:47Z)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• Stochastic Langevin Differential Inclusions with Applications to Machine Learning [5.274477003588407]
  ランゲヴィン型微分包含物の流動と性質に関する基礎的な結果を示す。 特に、解の存在が強く、また自由エネルギー関数の正準最小化が示される。
  論文  参考訳（メタデータ） (2022-06-23T08:29:17Z)
• Latent Gaussian Model Boosting [0.0]
  ツリーブースティングは多くのデータセットに対して優れた予測精度を示す。 シミュレーションおよび実世界のデータ実験において,既存の手法と比較して予測精度が向上した。
  論文  参考訳（メタデータ） (2021-05-19T07:36:30Z)
• Hessian Eigenspectra of More Realistic Nonlinear Models [73.31363313577941]
  私たちは、非線形モデルの広いファミリーのためのヘッセン固有スペクトルの言語的特徴付けを行います。 我々の分析は、より複雑な機械学習モデルで観察される多くの顕著な特徴の起源を特定するために一歩前進する。
  論文  参考訳（メタデータ） (2021-03-02T06:59:52Z)
• Non-parametric Models for Non-negative Functions [48.7576911714538]
  同じ良い線形モデルから非負関数に対する最初のモデルを提供する。 我々は、それが表現定理を認め、凸問題に対する効率的な二重定式化を提供することを証明した。
  論文  参考訳（メタデータ） (2020-07-08T07:17:28Z)

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。