論文の概要: Diffusion Path Samplers via Sequential Monte Carlo

• arxiv url: http://arxiv.org/abs/2601.21951v1
• Date: Thu, 29 Jan 2026 16:32:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.996855
• Title: Diffusion Path Samplers via Sequential Monte Carlo
• Title（参考訳）: 連続モンテカルロを用いた拡散路サンプリング装置
• Authors: James Matthew Young, Paula Cordero-Encinar, Sebastian Reich, Andrew Duncan, O. Deniz Akyildiz,
• Abstract要約: 正規化定数まで既知のターゲット分布に対する拡散型サンプリング器を開発した。 我々のアプローチは拡散アニール型ランゲバンモンテカルロの実践的実装に基づいている。 提案手法の有効性を理論的に検証し,いくつかの合成および実世界のデータセット上で実証する。
• 参考スコア（独自算出の注目度）: 0.31690235522182103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a diffusion-based sampler for target distributions known up to a normalising constant. To this end, we rely on the well-known diffusion path that smoothly interpolates between a (simple) base distribution and the target distribution, widely used in diffusion models. Our approach is based on a practical implementation of diffusion-annealed Langevin Monte Carlo, which approximates the diffusion path with convergence guarantees. We tackle the score estimation problem by developing an efficient sequential Monte Carlo sampler that evolves auxiliary variables from conditional distributions along the path, which provides principled score estimates for time-varying distributions. We further develop novel control variate schedules that minimise the variance of these score estimates. Finally, we provide theoretical guarantees and empirically demonstrate the effectiveness of our method on several synthetic and real-world datasets.
• Abstract（参考訳）: 正規化定数まで既知のターゲット分布に対する拡散型サンプリング器を開発した。 この目的のために、拡散モデルで広く使われている(単純)基底分布と対象分布とを円滑に補間するよく知られた拡散経路に依存する。 提案手法は拡散熱処理によるランジェバン・モンテカルロの実践的実装に基づいており, 拡散経路と収束保証を近似する。 我々は,経路に沿った条件分布から補助変数を進化させる効率的な連続モンテカルロサンプリング器を開発し,時間変動分布のスコア推定法を提案することで,スコア推定問題に取り組む。 さらに,これらのスコア推定値のばらつきを最小限に抑える新しい制御変動スケジュールを開発する。 最後に,提案手法の有効性を理論的に証明し,いくつかの合成および実世界のデータセット上で実証する。

関連論文リスト

• 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)
• Learned Reference-based Diffusion Sampling for multi-modal distributions [2.1383136715042417]
  本稿では,学習参照に基づく拡散サンプリング(LRDS)について紹介する。 LRDSは、高密度空間領域にあるサンプルの参照拡散モデルを学ぶことによって、2段階で進行する。 LRDSは、様々な難解な分布上の競合するアルゴリズムと比較して、目標分布に関する事前知識を最大限に活用することが実験的に実証された。
  論文  参考訳（メタデータ） (2024-10-25T10:23:34Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Broadening Target Distributions for Accelerated Diffusion Models via a Novel Analysis Approach [49.97755400231656]
  本研究では,新しいDDPMサンプリング器が,これまで考慮されていなかった3種類の分散クラスに対して高速化性能を実現することを示す。 この結果から, DDPM型加速サンプリング器におけるデータ次元$d$への依存性が改善された。
  論文  参考訳（メタデータ） (2024-02-21T16:11:47Z)
• Improved off-policy training of diffusion samplers [93.66433483772055]
  本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。 シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。 我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-02-07T18:51:49Z)

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。