論文の概要: Discrete Adjoint Schrödinger Bridge Sampler

• arxiv url: http://arxiv.org/abs/2602.08243v1
• Date: Mon, 09 Feb 2026 03:41:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.055669
• Title: Discrete Adjoint Schrödinger Bridge Sampler
• Title（参考訳）: 離散随伴型シュレーディンガー橋サンプリング器
• Authors: Wei Guo, Yuchen Zhu, Xiaochen Du, Juno Nam, Yongxin Chen, Rafael Gómez-Bombarelli, Guan-Horng Liu, Molei Tao, Jaemoo Choi,
• Abstract要約: 随伴マッチング (AM) は連続した領域において排他的であるが、離散空間に対しては探索されないままである。 AM と随伴する Schrdinger bridge sampler (ASBS) を離散空間に拡張する統合フレームワークである $mathbfdiscreteASBS$ を導入する。 実験的に、離散ASBSは、訓練効率とスケーラビリティにおいて大きなアドバンテージを持って、競争力のあるサンプル品質を達成する。
• 参考スコア（独自算出の注目度）: 45.568569543075085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning discrete neural samplers is challenging due to the lack of gradients and combinatorial complexity. While stochastic optimal control (SOC) and Schrödinger bridge (SB) provide principled solutions, efficient SOC solvers like adjoint matching (AM), which excel in continuous domains, remain unexplored for discrete spaces. We bridge this gap by revealing that the core mechanism of AM is $\mathit{state}\text{-}\mathit{space~agnostic}$, and introduce $\mathbf{discrete~ASBS}$, a unified framework that extends AM and adjoint Schrödinger bridge sampler (ASBS) to discrete spaces. Theoretically, we analyze the optimality conditions of the discrete SB problem and its connection to SOC, identifying a necessary cyclic group structure on the state space to enable this extension. Empirically, discrete ASBS achieves competitive sample quality with significant advantages in training efficiency and scalability.
• Abstract（参考訳）: 勾配の欠如と組合せ複雑性のため、離散型ニューラルネットワークの学習は困難である。 確率最適制御 (SOC) とシュレーディンガー橋 (SB) は原理的解を提供するが、連続領域において排他的な随伴整合 (AM) のような効率的なSOC解法は離散空間に対して探索されないままである。 AMのコアメカニズムが$\mathit{state}\text{-}\mathit{space~agnostic}$であることを明らかにすることにより、このギャップを埋める。 理論的には、離散SB問題の最適条件とSOCとの接続を解析し、この拡張を可能にするために状態空間上の巡回群構造を同定する。 実験的に、離散ASBSは、訓練効率とスケーラビリティにおいて大きなアドバンテージを持つ、競争力のあるサンプル品質を実現する。

関連論文リスト

• Smoothed Agnostic Learning of Halfspaces over the Hypercube [14.269955880630404]
  我々はブール入力のための新しいスムーズな学習フレームワークを導入し、乱数ビットフリップによって摂動をモデル化する。 入力分布の厳密な部分指数仮定の下では、ハーフスペースを学習するための効率的なアルゴリズムを与える。
  論文  参考訳（メタデータ） (2025-11-21T20:59:11Z)
• A Closed-Form Framework for Schrödinger Bridges Between Arbitrary Densities [0.0]
  シュルディンガーブリッジシステムの力学を表現するための統一閉形式フレームワークを提案する。 本研究では,SBの動的特性を直接推定するシミュレーションフリーアルゴリズムを開発した。 この研究は、科学的および機械学習アプリケーションにまたがる効率的でスケーラブルな拡散モデリングのための新しい方向を開く。
  論文  参考訳（メタデータ） (2025-11-11T03:08:26Z)
• Entering the Era of Discrete Diffusion Models: A Benchmark for Schrödinger Bridges and Entropic Optimal Transport [46.28885837515665]
  離散空間上のシュリンガーブリッジ(SB)問題に対するベンチマークを導入する。 我々の構成では解析的に知られているSB解と確率分布のペアが得られ、厳密な評価が可能となった。 この研究は、離散空間上のSB法を適切に評価する第一歩となる。
  論文  参考訳（メタデータ） (2025-09-27T14:51:07Z)
• Adjoint Schrödinger Bridge Sampler [27.07623265593163]
  Adjoint Schr"odinger Bridge Sampler (ASBS) は、シンプルでスケーラブルなマッチングベースの目的を持つ新しい拡散サンプリングである。 ASBSはシュリンガー橋という数学的モデルに基づいており、速度論的・最適輸送によってサンプリング効率を高める。
  論文  参考訳（メタデータ） (2025-06-27T18:27:59Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Generalized Schrödinger Bridge Matching [54.171931505066]
  一般化Schr"odinger Bridge (GSB) 問題設定は、機械学習の内外を問わず、多くの科学領域で一般的である。 我々は最近の進歩に触発された新しいマッチングアルゴリズムである一般化シュリンガーブリッジマッチング(GSBM)を提案する。 このような一般化は条件最適制御の解法として、変分近似を用いることができることを示す。
  論文  参考訳（メタデータ） (2023-10-03T17:42:11Z)
• Transport with Support: Data-Conditional Diffusion Bridges [18.933928516349397]
  制約付き時系列データ生成タスクを解決するために,Iterative Smoothing Bridge (ISB)を導入する。 我々は,ISBが高次元データによく一般化し,計算効率が高く,中間時間と終時間における限界値の正確な推定値を提供することを示した。
  論文  参考訳（メタデータ） (2023-01-31T13:50:16Z)
• Optimal Scaling for Locally Balanced Proposals in Discrete Spaces [65.14092237705476]
  離散空間におけるMetropolis-Hastings (M-H) アルゴリズムの効率は、対象分布に依存しない受容率によって特徴づけられることを示す。 最適受容率の知識は、連続空間におけるステップサイズ制御と直接的に類似して、離散空間における提案分布の近傍サイズを自動的に調整することを可能にする。
  論文  参考訳（メタデータ） (2022-09-16T22:09:53Z)
• Stochastic Gradient Descent-Ascent and Consensus Optimization for Smooth Games: Convergence Analysis under Expected Co-coercivity [49.66890309455787]
  本稿では,SGDA と SCO の最終的な収束保証として,期待されるコヒーレンシティ条件を導入し,その利点を説明する。 定常的なステップサイズを用いた場合、両手法の線形収束性を解の近傍に証明する。 我々の収束保証は任意のサンプリングパラダイムの下で保たれ、ミニバッチの複雑さに関する洞察を与える。
  論文  参考訳（メタデータ） (2021-06-30T18:32:46Z)

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。