論文の概要: Generative modeling of conditional probability distributions on the level-sets of collective variables

• arxiv url: http://arxiv.org/abs/2512.17374v2
• Date: Mon, 22 Dec 2025 15:24:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 14:49:56.329113
• Title: Generative modeling of conditional probability distributions on the level-sets of collective variables
• Title（参考訳）: 集合変数のレベル集合上の条件付き確率分布の生成的モデリング
• Authors: Fatima-Zahrae Akhyar, Wei Zhang, Gabriel Stoltz, Christof Schütte,
• Abstract要約: 集合変数 $: mathbbRd rightarrow mathbbRk$, where $1 le kd$ のレベル集合上の条件確率分布の生成モデルについて検討する。 本稿では,異なるレベルセットの$$で生成モデルを同時に学習できる汎用的で効率的な学習手法を提案する。
• 参考スコア（独自算出の注目度）: 4.454284595686535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given a probability distribution $μ$ in $\mathbb{R}^d$ represented by data, we study in this paper the generative modeling of its conditional probability distributions on the level-sets of a collective variable $ξ: \mathbb{R}^d \rightarrow \mathbb{R}^k$, where $1 \le k<d$. We propose a general and efficient learning approach that is able to learn generative models on different level-sets of $ξ$ simultaneously. To improve the learning quality on level-sets in low-probability regions, we also propose a strategy for data enrichment by utilizing data from enhanced sampling techniques. We demonstrate the effectiveness of our proposed learning approach through concrete numerical examples. The proposed approach is potentially useful for the generative modeling of molecular systems in biophysics, for instance.
• Abstract（参考訳）: データで表される確率分布 $μ$ in $\mathbb{R}^d$ が与えられたとき、本論文では、その条件確率分布の生成モデルについて、集合変数 $\: \mathbb{R}^d \rightarrow \mathbb{R}^k$ のレベルセット上での研究を行う。 そこで本研究では,異なるレベルセットで生成モデルを同時に学習できる汎用的で効率的な学習手法を提案する。 低確率領域におけるレベルセットの学習品質を向上させるために,改良されたサンプリング手法によるデータを利用したデータ豊か化戦略を提案する。 本稿では,具体的な数値例を通して,提案手法の有効性を実証する。 提案手法は、例えば生物物理学における分子系の生成モデリングに有用である。

関連論文リスト

• Solving dynamic portfolio selection problems via score-based diffusion models [2.355916155602588]
  我々は、(生成的)拡散モデルに基づいて、そのモデルのない方法で、動的平均分散ポートフォリオ選択問題に取り組む。 実モデルである $mathbb P$ からサンプリングしたデータを用いて、生成モデルの $mathbb Q$ を訓練する。 時系列データに適した適応的トレーニングとサンプリング手法により、$mathbb P$ と $mathbb Q$ の境界を得る。
  論文  参考訳（メタデータ） (2025-07-14T04:41:49Z)
• Learning local neighborhoods of non-Gaussian graphical models: A measure transport approach [0.3749861135832072]
  局所マルコフ特性を利用して各変数の条件付き独立関係を推定するスケーラブルなアルゴリズムを提案する。 提案手法は,非ガウス分布 (L-Sing) の局所空間同定 (Localized Sparsity Identification) と名付けられ,フレキシブルなトランスポートマップのクラスを用いてグラフを推定する。
  論文  参考訳（メタデータ） (2025-03-18T04:53:22Z)
• An Interpretable Evaluation of Entropy-based Novelty of Generative Models [36.29214321258605]
  生成モデルのモードベースノベルティを定量化するために,カーネルベースのエントロピーノベルティ(KEN)スコアを提案する。 合成および実画像データセットの数値計算結果から,新しいモードの検出におけるフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2024-02-27T08:00:52Z)
• Delta-AI: Local objectives for amortized inference in sparse graphical models [64.5938437823851]
  スパース確率的グラフィカルモデル(PGM)における補正推論のための新しいアルゴリズムを提案する。 提案手法は, PGMにおける変数のサンプリングをエージェントが行う一連の行動とみなす場合, エージェントのポリシー学習目的において, PGMの疎結合が局所的な信用割当を可能にするという観察に基づいている。 合成PGMからサンプリングし、スパース因子構造を持つ潜在変数モデルを訓練するための$Delta$-AIの有効性について説明する。
  論文  参考訳（メタデータ） (2023-10-03T20:37:03Z)
• Kernel Density Matrices for Probabilistic Deep Learning [8.486487001779416]
  量子力学において、密度行列は量子系の状態を記述する最も一般的な方法である。 本稿では,確率的深層学習,カーネル密度行列に対する新しいアプローチを提案する。 これは連続確率変数と離散確率変数の両方の結合確率分布を表現するためのより単純で効果的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-05-26T12:59:58Z)
• Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
  まず確率分布をモデル化し,そのモデルからサンプリングする。 これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2021-10-20T12:25:22Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)

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。