論文の概要: Sampling from Energy distributions with Target Concrete Score Identity

• arxiv url: http://arxiv.org/abs/2510.23106v1
• Date: Mon, 27 Oct 2025 08:21:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 19:54:32.597499
• Title: Sampling from Energy distributions with Target Concrete Score Identity
• Title（参考訳）: ターゲットコンクリートスコアアイデンティティによるエネルギー分布のサンプリング
• Authors: Sergei Kholkin, Francisco Vargas, Alexander Korotin,
• Abstract要約: 連続時間マルコフ連鎖(CTMC)の逆ダイナミクスを学習し、離散状態空間上の非正規化密度からサンプリングする方法を提案する。 提案手法は,一様ノイズ化カーネルを持つCTMCを前向きに構築し,提案したTarget concrete Score Identityに依存している。 具体的なスコアをニューラルネットワークで近似し,自己Normalized TCSISとUnbiased TCSISの2つのアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 55.68827867099707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the Target Concrete Score Identity Sampler (TCSIS), a method for sampling from unnormalized densities on discrete state spaces by learning the reverse dynamics of a Continuous-Time Markov Chain (CTMC). Our approach builds on a forward in time CTMC with a uniform noising kernel and relies on the proposed Target Concrete Score Identity, which relates the concrete score, the ratio of marginal probabilities of two states, to a ratio of expectations of Boltzmann factors under the forward uniform diffusion kernel. This formulation enables Monte Carlo estimation of the concrete score without requiring samples from the target distribution or computation of the partition function. We approximate the concrete score with a neural network and propose two algorithms: Self-Normalized TCSIS and Unbiased TCSIS. Finally, we demonstrate the effectiveness of TCSIS on problems from statistical physics.
• Abstract（参考訳）: 連続時間マルコフ連鎖(CTMC)の逆ダイナミクスを学習することにより、離散状態空間上の非正規化密度からサンプリングする方法であるTCSIS(Target concrete Score Identity Sampler)を導入する。 提案手法は,一様核を持つCTMCを前向きに構築し,提案したターゲットコンクリートスコアアイデンティティ(Target concrete Score Identity)を用いて,2つの状態の辺縁確率の比と,前方均一拡散カーネルの下でのボルツマン因子の期待値の比とを関連づける。 この定式化により、モンテカルロは、目標分布のサンプルや分割関数の計算を必要とせず、具体的なスコアを推定できる。 具体的なスコアをニューラルネットワークで近似し,自己Normalized TCSISとUnbiased TCSISの2つのアルゴリズムを提案する。 最後に,統計物理学の問題点に対するTCSISの有効性を示す。

関連論文リスト

• Flow-Based Density Ratio Estimation for Intractable Distributions with Applications in Genomics [80.05951561886123]
  我々は条件認識フローマッチングを利用して、生成軌道に沿った密度比を追跡するための1つの動的定式化を導出する。 クローズドフォーム比推定のためのシミュレーションベンチマーク上での競合性能を実証し,本手法が単一セルゲノミクスデータ解析における多目的タスクをサポートすることを示す。
  論文  参考訳（メタデータ） (2026-02-27T17:27:55Z)
• Variance-Reduced Diffusion Sampling via Target Score Identity [0.0]
  クリーンな(ターゲット)スコアが利用可能か,あるいは近似可能な設定において,スコア推定と拡散に基づくサンプリングの分散化について検討した。 我々は、標準の逆時間解法と互換性のあるプラグアンドプレイ非パラメトリックな自己正規化重要度サンプリング推定器を開発した。 PDE-Governed Inverse問題と合成ターゲット実験により, 固定シミュレーション予算に対する試料品質の改善が示された。
  論文  参考訳（メタデータ） (2026-01-04T16:46:31Z)
• Assessing the Quality of Denoising Diffusion Models in Wasserstein Distance: Noisy Score and Optimal Bounds [0.7373617024876725]
  拡散確率モデル(DDPM)は、推定スコア関数によって駆動される拡散過程を介してブラウン運動をマッピングすることでそのような例を構築する。 We establish finite-sample guarantees in Wasserstein-2 distance that exhibit two key features: (i) they characterizedize and Quantify the robustness of DDPMs to noisy score estimates, and (ii) they achieve faster convergence rate than previously known results。
  論文  参考訳（メタデータ） (2025-06-11T12:55:24Z)
• Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
  連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。 本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。 我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
  論文  参考訳（メタデータ） (2024-10-03T09:07:13Z)
• Your Absorbing Discrete Diffusion Secretly Models the Conditional Distributions of Clean Data [55.54827581105283]
  本研究では, 吸収拡散の具体的なスコアを, クリーンデータの条件付き確率として表すことができることを示す。 時間に依存しない条件付き確率を特徴付ける時間条件のない専用拡散モデルを提案する。 5つのゼロショット言語モデルベンチマークにおける拡散モデル間のSOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-06-06T04:22:11Z)
• Concrete Score Matching: Generalized Score Matching for Discrete Data [109.12439278055213]
  コンクレトスコア(Concrete score)とは、個別の設定のためのスコア(ステイン)の一般化である。 コンクレトスコアマッチング(Concrete Score Matching)は、サンプルからこのようなスコアを学習するフレームワークである。
  論文  参考訳（メタデータ） (2022-11-02T00:41:37Z)
• Cycle Consistent Probability Divergences Across Different Spaces [38.43511529063335]
  確率分布の相違は、統計的推測と機械学習の核心にある。 本研究は, 異方性, 異方性, 異方性, 異なる空間上の分布をマッチングするための, アンバランスなモンジュ最適輸送定式化を提案する。
  論文  参考訳（メタデータ） (2021-11-22T16:35:58Z)
• Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
  そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。 モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。 提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-22T06:26:29Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)

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。