論文の概要: Score-based Metropolis-Hastings for Fractional Langevin Algorithms

• arxiv url: http://arxiv.org/abs/2602.00835v1
• Date: Sat, 31 Jan 2026 17:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.423496
• Title: Score-based Metropolis-Hastings for Fractional Langevin Algorithms
• Title（参考訳）: フラクショナルランゲヴィンアルゴリズムのためのスコアベースメトロポリスハスティング
• Authors: Ahmed Aloui, Junyi Liao, Ali Hasan, Jose Blanchet, Vahid Tarokh,
• Abstract要約: 本稿では,MHにインスパイアされた完全スコアに基づく補正機構であるMetropolis-Adjusted Fractional Langevin Algorithm (MAFLA)を紹介する。 我々は,MAFLAが未調整のLangevinダイナミクスに対して,有限時間サンプリング精度を著しく向上させることを示した。
• 参考スコア（独自算出の注目度）: 13.572557872292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sampling from heavy-tailed and multimodal distributions is challenging when neither the target density nor the proposal density can be evaluated, as in $α$-stable Lévy-driven fractional Langevin algorithms. While the target distribution can be estimated from data via score-based or energy-based models, the $α$-stable proposal density and its score are generally unavailable, rendering classical density-based Metropolis--Hastings (MH) corrections impractical. Consequently, existing fractional Langevin methods operate in an unadjusted regime and can exhibit substantial finite-time errors and poor empirical control of tail behavior. We introduce the Metropolis-Adjusted Fractional Langevin Algorithm (MAFLA), an MH-inspired, fully score-based correction mechanism. MAFLA employs designed proxies for fractional proposal score gradients under isotropic symmetric $α$-stable noise and learns an acceptance function via Score Balance Matching. We empirically illustrate the strong performance of MAFLA on a series of tasks including combinatorial optimization problems where the method significantly improves finite time sampling accuracy over unadjusted fractional Langevin dynamics.
• Abstract（参考訳）: 重み付きおよびマルチモーダル分布からのサンプリングは、ターゲット密度も提案密度も評価できない場合、例えば$α$stable Lévy-driven fractional Langevinアルゴリズムのように困難である。 目標分布はスコアベースまたはエネルギーベースモデルによるデータから推定できるが、$α$stableの提案密度とそのスコアは一般に利用できないため、古典的な密度ベースのメトロポリス・ハスティングス(MH)補正は現実的ではない。 その結果、既存の分数的ランゲヴィン法は、調整されていない状態で動作し、かなりの有限時間誤差を示し、尾の挙動を経験的に制御することができない。 本稿では,MHにインスパイアされた完全スコアに基づく補正機構であるMetropolis-Adjusted Fractional Langevin Algorithm (MAFLA)を紹介する。 MAFLAは、等方対称$α$安定雑音下での分数的提案スコア勾配に対して設計されたプロキシを採用し、スコアバランスマッチングを通じて受け入れ関数を学習する。 本手法は有限時間サンプリング精度を大幅に向上させる組合せ最適化問題を含む一連のタスクにおいて,MAFLAの強い性能を実証的に説明する。

関連論文リスト

• Dimension-Free Multimodal Sampling via Preconditioned Annealed Langevin Dynamics [10.631439631816166]
  Annealed Langevin dynamics (ALD) は古典的なランゲヴィンの代替として広く用いられている。 我々は,マルチモーダル目標に対する連続時間ALDの一様次元解析を提供することにより,このギャップを埋める手助けをする。
  論文  参考訳（メタデータ） (2026-02-01T21:37:33Z)
• High-accuracy sampling from constrained spaces with the Metropolis-adjusted Preconditioned Langevin Algorithm [12.405427902037971]
  本稿では,$mathbbRd$の適切な凸部分集合である対象分布から近似サンプリングを行う1次サンプリング法を提案する。 提案手法は,事前条件付きLangevinアルゴリズムの単一ステップで生成したマルコフ連鎖にメトロポリス・ハスティングスフィルタを適用した結果である。
  論文  参考訳（メタデータ） (2024-12-24T23:21:23Z)
• 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)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)
• Optimal dimension dependence of the Metropolis-Adjusted Langevin Algorithm [22.19906823739798]
  ログスムースと強くログ凹分布のクラス上のMALAの混合時間は$O(d)$です。 メトロポリタン調整の投影特性に基づく新しい技術は、ランゲビンSDEのよく研究された離散分析にMALAの研究を減少させる。
  論文  参考訳（メタデータ） (2020-12-23T17:14:06Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)

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。