論文の概要: Learning Latent Energy-Based Models via Interacting Particle Langevin Dynamics

• arxiv url: http://arxiv.org/abs/2510.12311v1
• Date: Tue, 14 Oct 2025 09:10:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.264487
• Title: Learning Latent Energy-Based Models via Interacting Particle Langevin Dynamics
• Title（参考訳）: 相互作用粒子ランゲヴィンダイナミクスによる潜在エネルギーモデル学習
• Authors: Joanna Marks, Tim Y. J. Wang, O. Deniz Akyildiz,
• Abstract要約: 我々は、エネルギーに基づく先行モデルを用いた潜在変数モデル学習のための相互作用粒子アルゴリズムを開発した。 具体的には、微分方程式(SDE)を定義することにより、潜時エネルギーベースモデルを学習するための連続時間フレームワークを提供する。 我々はこれらのSDEの離散化として実用的アルゴリズムを取得し、提案アルゴリズムの収束に関する理論的保証を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop interacting particle algorithms for learning latent variable models with energy-based priors. To do so, we leverage recent developments in particle-based methods for solving maximum marginal likelihood estimation (MMLE) problems. Specifically, we provide a continuous-time framework for learning latent energy-based models, by defining stochastic differential equations (SDEs) that provably solve the MMLE problem. We obtain a practical algorithm as a discretisation of these SDEs and provide theoretical guarantees for the convergence of the proposed algorithm. Finally, we demonstrate the empirical effectiveness of our method on synthetic and image datasets.
• Abstract（参考訳）: 我々は、エネルギーに基づく先行モデルを用いた潜在変数モデル学習のための相互作用粒子アルゴリズムを開発した。 そこで我々は,最大限界推定(MMLE)問題の解法として,近年の粒子法の発展を活用している。 具体的には、MMLE問題を確実に解く確率微分方程式(SDE)を定義することにより、潜時エネルギーベースモデルを学習するための連続時間フレームワークを提供する。 我々はこれらのSDEの離散化として実用的アルゴリズムを取得し、提案アルゴリズムの収束に関する理論的保証を提供する。 最後に,本手法の合成および画像データセットに対する実証的有効性を示す。

関連論文リスト

• Equation discovery framework EPDE: Towards a better equation discovery [50.79602839359522]
  進化的最適化に基づく発見フレームワークであるEPDEアルゴリズムを強化する。 提案手法は基本関数や個人差分といった基本構造ブロックを用いて用語を生成する。 我々は,提案アルゴリズムの耐雑音性および全体的な性能を,最先端の方程式探索フレームワークであるSINDyの結果と比較することによって検証する。
  論文  参考訳（メタデータ） (2024-12-28T15:58:44Z)
• CoCoGen: Physically-Consistent and Conditioned Score-based Generative Models for Forward and Inverse Problems [1.0923877073891446]
  この研究は生成モデルの到達範囲を物理的問題領域に拡張する。 基礎となるPDEとの整合性を促進するための効率的なアプローチを提案する。 各種物理課題におけるスコアベース生成モデルの可能性と汎用性を示す。
  論文  参考訳（メタデータ） (2023-12-16T19:56:10Z)
• Momentum Particle Maximum Likelihood [2.4561590439700076]
  自由エネルギー関数を最小化するための類似の力学系に基づくアプローチを提案する。 システムを離散化することにより、潜在変数モデルにおける最大推定のための実用的なアルゴリズムを得る。 このアルゴリズムは既存の粒子法を数値実験で上回り、他のMLEアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2023-12-12T14:53:18Z)
• 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)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Sampling with Mollified Interaction Energy Descent [57.00583139477843]
  モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。 MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する 我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-10-24T16:54:18Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)

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。