論文の概要: Neural Stochastic Flows: Solver-Free Modelling and Inference for SDE Solutions
- arxiv url: http://arxiv.org/abs/2510.25769v1
- Date: Wed, 29 Oct 2025 17:59:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-30 15:50:45.978166
- Title: Neural Stochastic Flows: Solver-Free Modelling and Inference for SDE Solutions
- Title（参考訳）: ニューラル確率流:SDE解に対する解のないモデリングと推論
- Authors: Naoki Kiyohara, Edward Johns, Yingzhen Li,
- Abstract要約: 我々はニューラルフロー(NSF)とその潜伏変種を導入し、SDE遷移則を直接学習する(最近)。
合成SDEシミュレーションと実世界の追跡とビデオデータを用いた実験により,NSFは数値的アプローチに匹敵する分布精度を維持していることが示された。
- 参考スコア（独自算出の注目度）: 23.147474211347856
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stochastic differential equations (SDEs) are well suited to modelling noisy and irregularly sampled time series found in finance, physics, and machine learning. Traditional approaches require costly numerical solvers to sample between arbitrary time points. We introduce Neural Stochastic Flows (NSFs) and their latent variants, which directly learn (latent) SDE transition laws using conditional normalising flows with architectural constraints that preserve properties inherited from stochastic flows. This enables one-shot sampling between arbitrary states and yields up to two orders of magnitude speed-ups at large time gaps. Experiments on synthetic SDE simulations and on real-world tracking and video data show that NSFs maintain distributional accuracy comparable to numerical approaches while dramatically reducing computation for arbitrary time-point sampling.
- Abstract（参考訳）: 確率微分方程式(SDE)は、金融、物理学、機械学習で見られるノイズや不規則にサンプリングされた時系列をモデル化するのに適している。
伝統的なアプローチでは、任意の時間点間のサンプリングに費用がかかる数値解法が必要である。
本稿では,確率フローから受け継いだ特性を保持するアーキテクチャ制約付き条件付き正規化フローを用いて,SDE遷移則を直接学習するニューラル確率フロー(NSF)とその潜時変法について紹介する。
これにより任意の状態間で一発サンプリングが可能となり、大きなギャップで最大2桁のスピードアップが得られる。
合成SDEシミュレーションと実世界の追跡・ビデオデータを用いた実験により,NSFは数値的手法に匹敵する分布精度を維持しつつ,任意の時間点サンプリングの計算を劇的に削減していることがわかった。
関連論文リスト
- Generative Latent Neural PDE Solver using Flow Matching [8.397730500554047]
低次元の潜伏空間にPDE状態を埋め込んだPDEシミュレーションのための潜伏拡散モデルを提案する。
我々のフレームワークは、オートエンコーダを使用して、異なるタイプのメッシュを統一された構造化潜在グリッドにマッピングし、複雑なジオメトリをキャプチャします。
数値実験により,提案モデルは,精度と長期安定性の両方において,決定論的ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2025-03-28T16:44:28Z) - In-Context Learning of Stochastic Differential Equations with Foundation Inference Models [6.785438664749581]
微分方程式(SDE)は、ドリフト関数によって支配される決定論的流れが拡散関数によって予測されるランダムなゆらぎで重畳される力学系を記述する。
低次元SDEのドリフトと拡散関数の正確なテキスト内推定を行う事前学習型認識モデルであるFIM-SDE(Foundation Inference Model for SDEs)を導入する。
我々は、FIM-SDEが、多種多様な合成および実世界のプロセスにわたって頑健なコンテキスト内関数推定を実現することを実証した。
論文 参考訳（メタデータ） (2025-02-26T11:04:02Z) - MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。
特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。
4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
論文 参考訳（メタデータ） (2025-01-27T12:15:51Z) - Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。
画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文 参考訳（メタデータ） (2023-11-02T02:05:38Z) - 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)
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。