論文の概要: Sampling via Stochastic Interpolants by Langevin-based Velocity and Initialization Estimation in Flow ODEs
- arxiv url: http://arxiv.org/abs/2601.08527v1
- Date: Tue, 13 Jan 2026 13:11:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-14 18:27:19.210002
- Title: Sampling via Stochastic Interpolants by Langevin-based Velocity and Initialization Estimation in Flow ODEs
- Title（参考訳）: ランゲヴィン速度による確率補間によるサンプリングとフローノードの初期化推定
- Authors: Chenguang Duan, Yuling Jiao, Gabriele Steidl, Christian Wald, Jerry Zhijian Yang, Ruizhe Zhang,
- Abstract要約: 線形補間子から導出される確率フロー常微分方程式(ODE)に基づいて,非正規化ボルツマン密度からサンプリングする新しい手法を提案する。
このアプローチの重要な革新は、フローの効率的なシミュレーションを可能にするためにランゲヴィンサンプルのシーケンスを使用することである。
- 参考スコア（独自算出の注目度）: 18.9632191350173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel method for sampling from unnormalized Boltzmann densities based on a probability-flow ordinary differential equation (ODE) derived from linear stochastic interpolants. The key innovation of our approach is the use of a sequence of Langevin samplers to enable efficient simulation of the flow. Specifically, these Langevin samplers are employed (i) to generate samples from the interpolant distribution at intermediate times and (ii) to construct, starting from these intermediate times, a robust estimator of the velocity field governing the flow ODE. For both applications of the Langevin diffusions, we establish convergence guarantees. Extensive numerical experiments demonstrate the efficiency of the proposed method on challenging multimodal distributions across a range of dimensions, as well as its effectiveness in Bayesian inference tasks.
- Abstract（参考訳）: 線形確率補間子から導出される確率フロー常微分方程式(ODE)に基づく非正規化ボルツマン密度からのサンプリング法を提案する。
このアプローチの重要な革新は、フローの効率的なシミュレーションを可能にするためにランゲヴィンサンプルのシーケンスを使用することである。
具体的には、これらのランゲヴィンサンプルは、
一 中間時の補間物分布からサンプルを生成すること及び
(II) この中間時間から流れODEを管理する速度場の頑健な推定器を構築する。
ランゲヴィン拡散の双方の応用に対して、収束保証を確立する。
広範に数値実験を行った結果,提案手法の多次元分布への挑戦とベイズ推論における有効性を示した。
関連論文リスト
- Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。
速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
論文 参考訳（メタデータ） (2025-12-01T05:14:25Z) - Sampling in High-Dimensions using Stochastic Interpolants and Forward-Backward Stochastic Differential Equations [8.509310102094512]
本稿では,高次元確率分布からサンプルを抽出する拡散型アルゴリズムのクラスを提案する。
我々の手法は、確率密度の時間インデクシングされたコレクションを定義するための補間フレームワークに依存している。
提案アルゴリズムは,従来の手法では処理が困難であった分布から,効果的にサンプルを抽出できることを実証する。
論文 参考訳（メタデータ） (2025-02-01T07:27:11Z) - Flow Perturbation to Accelerate Unbiased Sampling of Boltzmann distribution [2.103187931015573]
フローベース生成モデルはボルツマン分布のサンプリングに用いられているが、その応用は流れのジャコビアンを得る計算コストによって妨げられている。
本稿では,最適化された摂動を流れに組み込む流れ摂動法を提案する。
摂動流によって生じる軌跡を再重み付けすることにより,ボルツマン分布の非バイアスサンプリングを桁違いの速度アップで達成する。
論文 参考訳（メタデータ） (2024-07-15T12:29:17Z) - Deep conditional distribution learning via conditional Föllmer flow [12.035609693882856]
本研究では,条件F"ollmer Flow"という条件分布を学習するための常微分方程式(ODE)に基づく深部生成手法を提案する。
効率的な実装のために、我々は、深層ニューラルネットワークを用いて非パラメトリックに速度場を推定するオイラー法を用いて流れを判別する。
論文 参考訳（メタデータ） (2024-02-02T14:52:10Z) - Stable generative modeling using Schrödinger bridges [0.22499166814992438]
本稿では,Schr"odinger BridgesとLangevin dynamicsを組み合わせた生成モデルを提案する。
我々のフレームワークは自然に条件付きサンプルを生成し、ベイズ推論問題に拡張することができる。
論文 参考訳（メタデータ） (2024-01-09T06:15:45Z) - Symmetric Mean-field Langevin Dynamics for Distributional Minimax
Problems [78.96969465641024]
平均場ランゲヴィンのダイナミクスを、対称で証明可能な収束した更新で、初めて確率分布に対する最小の最適化に拡張する。
また,時間と粒子の離散化機構について検討し,カオス結果の新たな均一時間伝播を証明した。
論文 参考訳（メタデータ） (2023-12-02T13:01:29Z) - Proximal Algorithms for Accelerated Langevin Dynamics [57.08271964961975]
我々は,確率化Nesterovスキームに基づくMCMCアルゴリズムの新たなクラスを開発する。
統計処理と画像処理の異なるモデルに対して,Langevinサンプルよりも提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-11-24T19:56:01Z) - 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) - Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。
シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。
本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
論文 参考訳（メタデータ） (2022-11-24T07:30:27Z) - Building Normalizing Flows with Stochastic Interpolants [11.22149158986164]
一対の基底分布と対象分布の間の連続時間正規化フローに基づく単純な2次モデルを提案する。
この流れの速度場は、基地と目標の間を有限時間で補間する時間依存分布の確率電流から推定される。
論文 参考訳（メタデータ） (2022-09-30T16:30:31Z)
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。