論文の概要: Briding Diffusion Posterior Sampling and Monte Carlo methods: a survey

• arxiv url: http://arxiv.org/abs/2510.14114v1
• Date: Wed, 15 Oct 2025 21:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.628833
• Title: Briding Diffusion Posterior Sampling and Monte Carlo methods: a survey
• Title（参考訳）: ブリディング拡散後サンプリング法とモンテカルロ法:調査
• Authors: Yazid Janati, Alain Durmus, Jimmy Olsson, Eric Moulines,
• Abstract要約: 拡散モデルにより、ベイズ逆問題(英語版)(Bayesian inverse problem)を前もって解くことができる。 本総説では, モンテカルロ法とともに, エフェプレ訓練拡散モデルを利用する現行手法の概要について概説する。 これらの手法は, 拡散過程における中間分布のエンフットワイスティング機構を用いて, シミュレーションを後部分布へ導く。
• 参考スコア（独自算出の注目度）: 36.0938529672647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models enable the synthesis of highly accurate samples from complex distributions and have become foundational in generative modeling. Recently, they have demonstrated significant potential for solving Bayesian inverse problems by serving as priors. This review offers a comprehensive overview of current methods that leverage \emph{pre-trained} diffusion models alongside Monte Carlo methods to address Bayesian inverse problems without requiring additional training. We show that these methods primarily employ a \emph{twisting} mechanism for the intermediate distributions within the diffusion process, guiding the simulations toward the posterior distribution. We describe how various Monte Carlo methods are then used to aid in sampling from these twisted distributions.
• Abstract（参考訳）: 拡散モデルにより、複雑な分布から高度に正確なサンプルを合成することができ、生成モデリングの基礎となった。 近年、彼らはベイズ的逆問題に先行して解決する有意義な可能性を証明している。 本稿では,モンテカルロ法と併用した拡散モデルを用いて,ベイズ逆問題にさらなる訓練を必要とせずに対処する手法について概説する。 これらの手法は, 拡散過程の中間分布に<emph{twisting} 機構を主に用い, シミュレーションを後部分布へ導く。 様々なモンテカルロ法が、これらのツイスト分布のサンプリングにどのように役立つかを説明する。

関連論文リスト

• EquiReg: Equivariance Regularized Diffusion for Inverse Problems [67.01847869495558]
  拡散に基づく逆問題解法における後方サンプリングを正規化するためのフレームワークであるEquiReg拡散法を提案する。 様々な解法に適用すると、EquiRegは線形および非線形画像復元タスクにおいて最先端の拡散モデルより優れる。
  論文  参考訳（メタデータ） (2025-05-29T01:25:43Z)
• Solving Linear-Gaussian Bayesian Inverse Problems with Decoupled Diffusion Sequential Monte Carlo [13.101812008177964]
  線形ガウス逆問題に対する連続モンテカルロ法を設計する。 DDSMC(Decoupled Sequential Monte Carlo)のタンパク質および画像データに対する効果を実証した。
  論文  参考訳（メタデータ） (2025-02-10T11:59:02Z)
• Conditional sampling within generative diffusion models [12.608803080528142]
  生成拡散モデルにおける条件付きサンプリングに対する既存の計算手法について概説する。 共同分布を利用するか、あるいは明示的な可能性を持つ(事前訓練された)境界分布に依存する重要な手法を強調します。
  論文  参考訳（メタデータ） (2024-09-15T07:48:40Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Improved off-policy training of diffusion samplers [93.66433483772055]
  本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。 シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。 我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-02-07T18:51:49Z)

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。