論文の概要: Generative Modeling from Black-box Corruptions via Self-Consistent Stochastic Interpolants

• arxiv url: http://arxiv.org/abs/2512.10857v1
• Date: Thu, 11 Dec 2025 17:53:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.490484
• Title: Generative Modeling from Black-box Corruptions via Self-Consistent Stochastic Interpolants
• Title（参考訳）: 自己持続確率補間子によるブラックボックス破壊からの生成モデリング
• Authors: Chirag Modi, Jiequn Han, Eric Vanden-Eijnden, Joan Bruna,
• Abstract要約: 元のデータの生成モデルは、分布のレベルで逆問題を解決する必要がある。 補間子に基づく新しい手法を提案する。 自然画像処理と科学的再構成における逆問題に対して優れた性能を示す。
• 参考スコア（独自算出の注目度）: 38.33840161443282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transport-based methods have emerged as a leading paradigm for building generative models from large, clean datasets. However, in many scientific and engineering domains, clean data are often unavailable: instead, we only observe measurements corrupted through a noisy, ill-conditioned channel. A generative model for the original data thus requires solving an inverse problem at the level of distributions. In this work, we introduce a novel approach to this task based on Stochastic Interpolants: we iteratively update a transport map between corrupted and clean data samples using only access to the corrupted dataset as well as black box access to the corruption channel. Under appropriate conditions, this iterative procedure converges towards a self-consistent transport map that effectively inverts the corruption channel, thus enabling a generative model for the clean data. We refer to the resulting method as the self-consistent stochastic interpolant (SCSI). It (i) is computationally efficient compared to variational alternatives, (ii) highly flexible, handling arbitrary nonlinear forward models with only black-box access, and (iii) enjoys theoretical guarantees. We demonstrate superior performance on inverse problems in natural image processing and scientific reconstruction, and establish convergence guarantees of the scheme under appropriate assumptions.
• Abstract（参考訳）: トランスポートベースの手法は、大規模でクリーンなデータセットから生成モデルを構築するための主要なパラダイムとして登場した。 しかし、多くの科学的・工学的な領域では、クリーンなデータは利用できないことが多い。 したがって、元のデータの生成モデルは、分布のレベルで逆問題を解決する必要がある。 本研究では, 汚いデータとクリーンなデータサンプル間のトランスポートマップを, 破損したデータセットのみへのアクセスと, 汚いチャネルへのブラックボックスアクセスを用いて反復的に更新する。 適切な条件下では、この反復手順は、汚いチャネルを効果的に反転させる自己整合輸送マップに収束し、クリーンなデータの生成モデルを可能にする。 得られた手法を,自己整合性確率補間法(SCSI)と呼ぶ。 それ i) 変分法に比べて計算効率がよい。 (二)高度に柔軟で、ブラックボックスアクセスのみで任意の非線形フォワードモデルを扱い、 (三)理論上の保証を享受する。 本研究では,自然画像処理と科学的再構成における逆問題に対する優れた性能を示し,適切な仮定の下で,このスキームの収束保証を確立する。

関連論文リスト

• Self-diffusion for Solving Inverse Problems [3.8870795921263728]
  我々は,事前学習された生成モデルに頼ることなく,逆問題を解決するための新しいフレームワークである自己拡散を提案する。 自己拡散はニューラルネットワークのスペクトルバイアスを利用して、スケジュールされたノイズプロセスを通じて変調する。 我々は, 線形逆問題に対するアプローチの有効性を実証し, 他の手法と比較して, 自己拡散が競争力や優れた性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-10-24T12:57:22Z)
• Geometric Median Matching for Robust k-Subset Selection from Noisy Data [75.86423267723728]
  最適分解点1/2のロバストな推定器であるGeometric Medianを利用する新しいk-subset選択法を提案する。 提案手法は, k-subset を反復的に選択し,部分集合の平均が(潜在的に)ノイズデータセットの GM に近似し,任意の汚損の下でもロバスト性を確保する。
  論文  参考訳（メタデータ） (2025-04-01T09:22:05Z)
• Transport with Support: Data-Conditional Diffusion Bridges [18.933928516349397]
  制約付き時系列データ生成タスクを解決するために,Iterative Smoothing Bridge (ISB)を導入する。 我々は,ISBが高次元データによく一般化し,計算効率が高く,中間時間と終時間における限界値の正確な推定値を提供することを示した。
  論文  参考訳（メタデータ） (2023-01-31T13:50:16Z)
• Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
  本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。 変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T22:03:50Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)
• Classification and Uncertainty Quantification of Corrupted Data using Semi-Supervised Autoencoders [11.300365160909879]
  本稿では,強い破損したデータを分類し,不確実性を定量化する確率論的手法を提案する。 破損しないデータに基づいてトレーニングされた半教師付きオートエンコーダが基盤となるアーキテクチャである。 モデルの不確実性は、その分類が正しいか間違っているかに強く依存していることを示す。
  論文  参考訳（メタデータ） (2021-05-27T18:47:55Z)
• Variational Mixture of Normalizing Flows [0.0]
  生成逆数ネットワークオートサイトGAN、変分オートエンコーダオートサイトベイペーパー、およびそれらの変種などの深い生成モデルは、複雑なデータ分布をモデル化するタスクに広く採用されている。 正規化フローはこの制限を克服し、確率密度関数にそのような公式の変更を利用する。 本研究は,混合モデルのコンポーネントとして正規化フローを用い,そのようなモデルのエンドツーエンドトレーニング手順を考案することによって,この問題を克服する。
  論文  参考訳（メタデータ） (2020-09-01T17:20:08Z)

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。