論文の概要: Generative Stochastic Optimal Transport: Guided Harmonic Path-Integral Diffusion
- arxiv url: http://arxiv.org/abs/2512.11859v1
- Date: Fri, 05 Dec 2025 05:18:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-21 14:22:08.733366
- Title: Generative Stochastic Optimal Transport: Guided Harmonic Path-Integral Diffusion
- Title（参考訳）: 生成確率的最適輸送:誘導高調波路内拡散
- Authors: Michael Chertkov,
- Abstract要約: 誘導最適輸送のための線形解決可能なフレームワークであるGH-PID(Guid Harmonic Path-Integral Diffusion)を導入する。
低次元誘導プロトコルは、解析構造を保持しながら軌道アンサンブルを形成する。
GH-PIDは、所定の端末分布を満たす幾何学的、信頼的トラジェクトリを生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Guided Harmonic Path-Integral Diffusion (GH-PID), a linearly-solvable framework for guided Stochastic Optimal Transport (SOT) with a hard terminal distribution and soft, application-driven path costs. A low-dimensional guidance protocol shapes the trajectory ensemble while preserving analytic structure: the forward and backward Kolmogorov equations remain linear, the optimal score admits an explicit Green-function ratio, and Gaussian-Mixture Model (GMM) terminal laws yield closed-form expressions. This enables stable sampling and differentiable protocol learning under exact terminal matching. We develop guidance-centric diagnostics -- path cost, centerline adherence, variance flow, and drift effort -- that make GH-PID an interpretable variational ansatz for empirical SOT. Three navigation scenarios illustrated in 2D: (i) Case A: hand-crafted protocols revealing how geometry and stiffness shape lag, curvature effects, and mode evolution; (ii) Case B: single-task protocol learning, where a PWC centerline is optimized to minimize integrated cost; (iii) Case C: multi-expert fusion, in which a commander reconciles competing expert/teacher trajectories and terminal beliefs through an exact product-of-experts law and learns a consensus protocol. Across all settings, GH-PID generates geometry-aware, trust-aware trajectories that satisfy the prescribed terminal distribution while systematically reducing integrated cost.
- Abstract（参考訳）: 本稿では,誘導確率最適輸送(SOT)のための線形解決可能なフレームワークであるGH-PID(Guid Harmonic Path-Integral Diffusion)を紹介する。
低次元誘導プロトコルは、解析構造を保ちながら軌道のアンサンブルを形作る: 前方と後方のコルモゴロフ方程式は線形であり、最適スコアは明示的なグリーン関数比を認め、ガウス・ミクチャー・モデル(GMM)端末法則は閉形式表現をもたらす。
これにより、正確な端末マッチングの下で安定したサンプリングと微分可能なプロトコル学習が可能になる。
我々は、GH-PIDを経験的SOTの解釈可能な変分アンサッツにする誘導中心診断(パスコスト、中心線付着、分散流、ドリフト工法)を開発した。
3つのナビゲーションシナリオを2Dで示す。
一 事例A:幾何及び剛性形状ラグ、曲率効果及びモード進化の方法を明らかにする手作りのプロトコル
(ii)事例B:単一タスクプロトコル学習。PWC中心ラインを最適化して統合コストを最小化する。
3 事例C:多専門家融合において、指揮官は、専門家・教員の軌跡及び終末信条を、厳密な専門家の法則により整合し、合意プロトコルを学ぶ。
すべての設定において、GH-PIDは、所定の端末分布を満足し、統合コストを体系的に低減する、幾何学的、信頼的、信頼的軌道を生成する。
関連論文リスト
- Learning to Coordinate: Distributed Meta-Trajectory Optimization Via Differentiable ADMM-DDP [4.880846795915428]
多様なタスクやエージェント構成に適応するために,L2C(Learning to Coordinate)を提案する。
L2CはADMM-DDPパイプラインを通じてエンドツーエンドを分散的に区別する。
最先端の手法よりも高速な勾配計算を実現する。
論文 参考訳（メタデータ） (2025-09-01T17:17:05Z) - On the Generalization of Data-Assisted Control in port-Hamiltonian Systems (DAC-pH) [0.0]
本稿ではポート・ハミルトニアン (p$mathcalH$) システムに対する仮説的ハイブリッド制御フレームワークを提案する。
システムの進化は、右手側(RHS)と左手側(LHS)の2つの部分に分けられ、構造的およびパラメトリックな不確実性の両方に対処する散逸・入出力フローである。
論文 参考訳（メタデータ） (2025-06-08T10:44:01Z) - On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。
本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。
本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
論文 参考訳（メタデータ） (2024-12-27T20:29:47Z) - 360 Layout Estimation via Orthogonal Planes Disentanglement and Multi-view Geometric Consistency Perception [56.84921040837699]
既存のパノラマ配置推定ソリューションは、垂直圧縮されたシーケンスから部屋の境界を復元し、不正確な結果をもたらす傾向にある。
そこで本稿では,直交平面不整合ネットワーク(DOPNet)を提案し,あいまいな意味論を識別する。
また,水平深度と比表現に適した教師なし適応手法を提案する。
本手法は,単分子配置推定と多視点レイアウト推定の両タスクにおいて,他のSoTAモデルよりも優れる。
論文 参考訳（メタデータ） (2023-12-26T12:16:03Z) - SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。
いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
論文 参考訳（メタデータ） (2023-08-16T14:25:30Z) - Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level
Stability and High-Level Behavior [51.60683890503293]
生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。
任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
論文 参考訳（メタデータ） (2023-07-27T04:27:26Z) - One at a Time: Progressive Multi-step Volumetric Probability Learning
for Reliable 3D Scene Perception [59.37727312705997]
本稿では,複雑な3次元ボリューム表現学習を生成段階の列に分解することを提案する。
強力な生成拡散モデルにより達成された最近の進歩を考えると、我々はVPDと呼ばれる多段階学習フレームワークを導入する。
SSCタスクでは、Semantic KITTIデータセット上でLiDARベースのメソッドを初めて越える作業として際立っている。
論文 参考訳（メタデータ） (2023-06-22T05:55:53Z)
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。