論文の概要: On Approaches to Building Surrogate ODE Models for Diffusion Bridges

• arxiv url: http://arxiv.org/abs/2512.12671v1
• Date: Sun, 14 Dec 2025 12:49:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.374197
• Title: On Approaches to Building Surrogate ODE Models for Diffusion Bridges
• Title（参考訳）: 拡散橋のサロゲートODEモデル構築へのアプローチ
• Authors: Maria Khilchuk, Vladimir Latypov, Pavel Kleshchev, Alexander Hvatov,
• Abstract要約: 拡散とシュルディンガーブリッジモデルは、生成モデリングにおける最先端の性能を確立している。 これらのモデルは、しばしば計算コストと複雑な訓練手順によって妨げられる。 この研究は、代理モデルを使用してよりシンプルで、より速く、より柔軟なこれらのダイナミクスの近似を作成する新しいパラダイムを導入している。
• 参考スコア（独自算出の注目度）: 39.92969675794945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion and Schrödinger Bridge models have established state-of-the-art performance in generative modeling but are often hampered by significant computational costs and complex training procedures. While continuous-time bridges promise faster sampling, overparameterized neural networks describe their optimal dynamics, and the underlying stochastic differential equations can be difficult to integrate efficiently. This work introduces a novel paradigm that uses surrogate models to create simpler, faster, and more flexible approximations of these dynamics. We propose two specific algorithms: SINDy Flow Matching (SINDy-FM), which leverages sparse regression to identify interpretable, symbolic differential equations from data, and a Neural-ODE reformulation of the Schrödinger Bridge (DSBM-NeuralODE) for flexible continuous-time parameterization. Our experiments on Gaussian transport tasks and MNIST latent translation demonstrate that these surrogates achieve competitive performance while offering dramatic improvements in efficiency and interpretability. The symbolic SINDy-FM models, in particular, reduce parameter counts by several orders of magnitude and enable near-instantaneous inference, paving the way for a new class of tractable and high-performing bridge models for practical deployment.
• Abstract（参考訳）: 拡散とシュレーディンガーブリッジモデルは、生成モデリングにおける最先端の性能を確立してきたが、しばしば計算コストと複雑な訓練手順によって妨げられている。 連続時間ブリッジはより高速なサンプリングを約束するが、過度にパラメータ化されたニューラルネットワークはそれらの最適ダイナミクスを記述し、基礎となる確率微分方程式を効率的に統合することは困難である。 この研究は、代理モデルを使用してよりシンプルで、より速く、より柔軟なこれらのダイナミクスの近似を作成する新しいパラダイムを導入している。 データから解釈可能なシンボリック微分方程式を識別するためにスパース回帰を利用するSINDy Flow Matching (SINDy-FM) と、フレキシブルな連続時間パラメータ化のためのSchrödinger Bridge (DSBM-NeuralODE) のニューラル-ODE再構成を提案する。 ガウス輸送タスクとMNIST潜時翻訳の実験により,これらのサロゲートは効率と解釈性を大幅に向上させながら,競争性能が向上することを示した。 シンボリックなSINDy-FMモデルは、特に数桁のパラメータ数を減らし、ほぼ瞬時推論を可能にし、実用的な展開のための新しい種類のトラクタブルかつ高性能なブリッジモデルへの道を開く。

関連論文リスト

• Towards Fast Coarse-graining and Equation Discovery with Foundation Inference Models [6.403678133359229]
  高次元記録における潜伏力学は、しばしばより小さな有効変数の集合によって特徴づけられる。 ほとんどの機械学習アプローチは、動的一貫性を強制するモデルとともにオートエンコーダをトレーニングすることで、これらのタスクに共同で取り組む。 我々は最近導入されたファンデーション推論モデル(FIM)を利用して2つの問題を分離することを提案する。 半円拡散を合成ビデオデータに埋め込んだ二重井戸系における概念実証は、高速で再利用可能な粗粒化パイプラインに対するこのアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2025-10-14T15:17:23Z)
• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• 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)
• The Missing U for Efficient Diffusion Models [3.712196074875643]
  拡散確率モデル(Diffusion Probabilistic Models)は、画像合成、ビデオ生成、分子設計などのタスクにおいて、記録破りのパフォーマンスをもたらす。 それらの能力にもかかわらず、その効率、特に逆過程では、収束速度が遅いことと計算コストが高いため、依然として課題である。 本研究では,連続力学系を利用した拡散モデルのための新しいデノナイジングネットワークの設計手法を提案する。
  論文  参考訳（メタデータ） (2023-10-31T00:12:14Z)
• Evolve Smoothly, Fit Consistently: Learning Smooth Latent Dynamics For Advection-Dominated Systems [14.553972457854517]
  複雑な物理系のサロゲートモデルを学ぶための,データ駆動・時空連続フレームワークを提案する。 ネットワークの表現力と特別に設計された整合性誘導正規化を利用して,低次元かつ滑らかな潜在軌道を得る。
  論文  参考訳（メタデータ） (2023-01-25T03:06:03Z)

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。