論文の概要: SCORENF: Score-based Normalizing Flows for Sampling Unnormalized distributions

• arxiv url: http://arxiv.org/abs/2510.21330v1
• Date: Fri, 24 Oct 2025 10:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.440929
• Title: SCORENF: Score-based Normalizing Flows for Sampling Unnormalized distributions
• Title（参考訳）: SCORENF:非正規分布サンプリングのためのスコアベース正規化フロー
• Authors: Vikas Kanaujia, Vipul Arora,
• Abstract要約: 正規化フローアーキテクチャ上に構築されたスコアベースの学習フレームワークであるScoreNFを提案する。 ScoreNFは訓練アンサンブルが小さい場合でも高い性能を維持していることを示す。 また,モード被覆とモード崩壊の挙動を評価する手法を提案する。
• 参考スコア（独自算出の注目度）: 5.204468049641428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unnormalized probability distributions are central to modeling complex physical systems across various scientific domains. Traditional sampling methods, such as Markov Chain Monte Carlo (MCMC), often suffer from slow convergence, critical slowing down, poor mode mixing, and high autocorrelation. In contrast, likelihood-based and adversarial machine learning models, though effective, are heavily data-driven, requiring large datasets and often encountering mode covering and mode collapse. In this work, we propose ScoreNF, a score-based learning framework built on the Normalizing Flow (NF) architecture, integrated with an Independent Metropolis-Hastings (IMH) module, enabling efficient and unbiased sampling from unnormalized target distributions. We show that ScoreNF maintains high performance even with small training ensembles, thereby reducing reliance on computationally expensive MCMC-generated training data. We also present a method for assessing mode-covering and mode-collapse behaviours. We validate our method on synthetic 2D distributions (MOG-4 and MOG-8) and the high-dimensional $\phi^4$ lattice field theory distribution, demonstrating its effectiveness for sampling tasks.
• Abstract（参考訳）: 非正規化確率分布は、様々な科学領域にわたる複雑な物理系のモデリングの中心である。 マルコフ・チェイン・モンテカルロ(MCMC)のような伝統的なサンプリング法は、しばしば緩やかな収束、臨界的な減速、低モード混合、高い自己相関に悩まされる。 対照的に、可能性ベースと敵対的機械学習モデルは、有効ではあるが、非常にデータ駆動であり、大きなデータセットを必要とし、しばしばモード被覆とモード崩壊に遭遇する。 本研究では、正規化フロー(NF)アーキテクチャ上に構築されたスコアベースの学習フレームワークであるScoreNFを提案し、非正規化対象分布からの効率的な非バイアスサンプリングを可能にする独立メトロポリス・ハスティングス(IMH)モジュールと統合する。 ScoreNFは訓練アンサンブルが小さい場合でも高い性能を保ち、MCMC生成トレーニングデータへの依存を減らすことができる。 また,モード被覆とモード崩壊の挙動を評価する手法を提案する。 我々は,合成2次元分布(MOG-4,MOG-8)と高次元$\phi^4$格子場分布について検証し,その有効性を実証した。

関連論文リスト

• Modular MeanFlow: Towards Stable and Scalable One-Step Generative Modeling [0.07646713951724012]
  一段階生成モデリングは、単一関数評価において高品質なデータサンプルを生成することを目指している。 本研究では、時間平均速度場を学習するための柔軟で理論的に基礎付けられたアプローチであるModular MeanFlowを紹介する。
  論文  参考訳（メタデータ） (2025-08-24T16:00:08Z)
• Sampling by averaging: A multiscale approach to score estimation [2.012425476229879]
  複雑で正規化されていないターゲット分布から,マルチスケールのダイナミックスを活用することで,効率的なサンプリングを行うための新しいフレームワークを提案する。 MultALMCとMultCDiffの2つのアルゴリズムが開発された。 このフレームワークは、学生のtベースのノイズモデルと調整された高速プロセスダイナミクスを用いて、重次元のターゲット分布を扱うように拡張されている。
  論文  参考訳（メタデータ） (2025-08-20T21:09:34Z)
• Importance Weighted Score Matching for Diffusion Samplers with Enhanced Mode Coverage [16.94974733994214]
  一般的な手法では、逆KLベースの目的を最適化することで、ターゲットデータの欠如を回避できることが多い。 そこで本研究では,KLの分岐に類似した目的を直接ターゲットとした拡散型サンプリング器の訓練手法を提案する。 我々のアプローチは、すべての分布距離のメトリクスで既存のニューラルサンプリングよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-05-26T02:48:26Z)
• AdvNF: Reducing Mode Collapse in Conditional Normalising Flows using Adversarial Learning [1.644043499620662]
  正規化フロー(NF)のような明示的なジェネレータは、ターゲット分布から未バイアスのサンプルを取得するために広く応用されている。 本研究では,高分散,モード崩壊,データ効率などの条件付きNFの中心的問題について検討する。 我々はこれらの問題を改善するため,NFの対角訓練を提案する。
  論文  参考訳（メタデータ） (2024-01-29T08:13:51Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization [64.39761523935613]
  本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。 PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。 また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
  論文  参考訳（メタデータ） (2020-11-17T17:29:18Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• MMCGAN: Generative Adversarial Network with Explicit Manifold Prior [78.58159882218378]
  本稿では,モード崩壊を緩和し,GANのトレーニングを安定させるために,明示的な多様体学習を採用することを提案する。 玩具データと実データの両方を用いた実験により,MMCGANのモード崩壊緩和効果,トレーニングの安定化,生成サンプルの品質向上効果が示された。
  論文  参考訳（メタデータ） (2020-06-18T07:38:54Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。