論文の概要: Drift Estimation for Stochastic Differential Equations with Denoising Diffusion Models

• arxiv url: http://arxiv.org/abs/2602.17830v1
• Date: Thu, 19 Feb 2026 20:49:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.142503
• Title: Drift Estimation for Stochastic Differential Equations with Denoising Diffusion Models
• Title（参考訳）: 縮退拡散モデルを用いた確率微分方程式のドリフト推定
• Authors: Marcos Tapia Costa, Nikolas Kantas, George Deligiannidis,
• Abstract要約: 過去の観測結果から,ドリフト推定をデノベーション問題として定式化する。 本研究では,動的に新しい軌道を学習可能な条件拡散モデルを構築する副産物であるドリフト関数の推定器を提案する。 異なるドリフトクラス全体で、提案された推定器は、低次元の古典的手法と一致し、高次元の競争力を維持した。
• 参考スコア（独自算出の注目度）: 6.231343612183477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the estimation of time-homogeneous drift functions in multivariate stochastic differential equations with known diffusion coefficient, from multiple trajectories observed at high frequency over a fixed time horizon. We formulate drift estimation as a denoising problem conditional on previous observations, and propose an estimator of the drift function which is a by-product of training a conditional diffusion model capable of simulating new trajectories dynamically. Across different drift classes, the proposed estimator was found to match classical methods in low dimensions and remained consistently competitive in higher dimensions, with gains that cannot be attributed to architectural design choices alone.
• Abstract（参考訳）: 本研究では,多変量確率微分方程式における時間-均一なドリフト関数を,高頻度で一定時間地平線上で観測された複数の軌道から推定する。 本研究では,従来の観測結果から,ドリフト推定をデノベーション問題として定式化し,新しい軌道を動的にシミュレートできる条件拡散モデルの訓練副産物であるドリフト関数の推定器を提案する。 異なるドリフトクラス全体で、提案された推定器は、低次元の古典的手法と一致し、高い次元で一貫して競合し続け、建築設計の選択肢だけでは帰属できない利得を持つことがわかった。

関連論文リスト

• Latent-Variable Learning of SPDEs via Wiener Chaos [2.0901018134712297]
  線形偏微分方程式(SPDE)の法則を観測から加法的ガウス強制で学習する問題について検討する。 提案手法はスペクトルガレルキン射影と乱れたウィナーカオス展開を組み合わせ、進化と強制領域を分離する。 これにより、無限次元決定論的SPDEは、潜時時間力学を管理するパラメタライズされた常微分方程式の有限系に還元される。
  論文  参考訳（メタデータ） (2026-02-12T10:19:43Z)
• An Elementary Approach to Scheduling in Generative Diffusion Models [55.171367482496755]
  生成拡散モデルにおけるノイズスケジューリングと時間離散化の影響を特徴付けるための基礎的手法を開発した。 異なるデータセットと事前訓練されたモデルにわたる実験により、我々のアプローチによって選択された時間離散化戦略が、ベースラインとサーチベースの戦略を一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-01-20T05:06:26Z)
• Score-based constrained generative modeling via Langevin diffusions with boundary conditions [1.4323566945483497]
  本稿では,境界定義制約上の速度のスペクトル反射を伴う動力学(アンダーダムド)ランゲヴィンダイナミクスを用いた制約付き生成モデルを提案する。 離散化ステップにおいて最適な速度に収束する効率的な数値サンプリング器を提示することにより、局所時間による反射拡散に基づくモデルと、閉じ込められた(特別に反映される)ランゲヴィン拡散に基づくモデルの包括的比較を行う。
  論文  参考訳（メタデータ） (2025-10-28T01:36:54Z)
• Self-Supervised Coarsening of Unstructured Grid with Automatic Differentiation [55.88862563823878]
  本研究では,微分可能物理の概念に基づいて,非構造格子を階層化するアルゴリズムを提案する。 多孔質媒質中のわずかに圧縮可能な流体流を制御した線形方程式と波動方程式の2つのPDE上でのアルゴリズムの性能を示す。 その結果,検討したシナリオでは,関心点におけるモデル変数のダイナミクスを保ちながら,格子点数を最大10倍に削減した。
  論文  参考訳（メタデータ） (2025-07-24T11:02:13Z)
• 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)
• Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
  非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。 鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
  論文  参考訳（メタデータ） (2023-05-24T20:43:47Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Stochastic Interpolants: A Unifying Framework for Flows and Diffusions [18.299322342860517]
  フローベースおよび拡散ベースを統一する生成モデルのクラスを紹介する。 これらのモデルは、Albergo と VandenEijnden (2023) で提案されたフレームワークを拡張し、インターポーラントと呼ばれる広範囲の連続時間プロセスの使用を可能にした。
  論文  参考訳（メタデータ） (2023-03-15T17:43:42Z)
• The Connection between Discrete- and Continuous-Time Descriptions of Gaussian Continuous Processes [60.35125735474386]
  我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。 この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
  論文  参考訳（メタデータ） (2021-01-16T17:11:02Z)
• Stochastic Differential Equations with Variational Wishart Diffusions [18.590352916158093]
  回帰タスクと連続時間力学モデリングの両方に対して微分方程式を推論する非パラメトリックな方法を提案する。 この研究は微分方程式の一部(拡散とも呼ばれる)に重点を置いており、ウィッシュアート過程を用いてモデル化している。
  論文  参考訳（メタデータ） (2020-06-26T10:21:35Z)

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。