論文の概要: Discrete Diffusion with Sample-Efficient Estimators for Conditionals

• arxiv url: http://arxiv.org/abs/2602.20293v1
• Date: Mon, 23 Feb 2026 19:20:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.49752
• Title: Discrete Diffusion with Sample-Efficient Estimators for Conditionals
• Title（参考訳）: 条件付き標本効率推定器を用いた離散拡散
• Authors: Karthik Elamvazhuthi, Abhijith Jayakumar, Andrey Y. Lokhov,
• Abstract要約: 本研究では, 単点条件のサンプル効率推定とラウンドロビンのノイズ発生とデノナイジングのダイナミックスを統合した離散的デノナイジング拡散フレームワークについて検討する。 拡散力学におけるこれらの条件を推定するために,NeurISE (Neur Interaction Screening Estimator) と呼ばれる試料効率のよい手法を用いる。 合成イジングモデル、MNIST、D-Wave量子アニール、合成ポッツモデルおよび1次元量子システムによって生成された科学データセットに関する制御された実験は、提案手法を実証している。
• 参考スコア（独自算出の注目度）: 2.7400724993677703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study a discrete denoising diffusion framework that integrates a sample-efficient estimator of single-site conditionals with round-robin noising and denoising dynamics for generative modeling over discrete state spaces. Rather than approximating a discrete analog of a score function, our formulation treats single-site conditional probabilities as the fundamental objects that parameterize the reverse diffusion process. We employ a sample-efficient method known as Neural Interaction Screening Estimator (NeurISE) to estimate these conditionals in the diffusion dynamics. Controlled experiments on synthetic Ising models, MNIST, and scientific data sets produced by a D-Wave quantum annealer, synthetic Potts model and one-dimensional quantum systems demonstrate the proposed approach. On the binary data sets, these experiments demonstrate that the proposed approach outperforms popular existing methods including ratio-based approaches, achieving improved performance in total variation, cross-correlations, and kernel density estimation metrics.
• Abstract（参考訳）: 本研究では, 離散状態空間上の生成モデリングのための単点条件のサンプル効率推定とラウンドロビンノゲティングおよびデノナイジングダイナミックスを統合した離散的デノナイジング拡散フレームワークについて検討する。 本定式化では,スコア関数の離散的なアナログを近似するのではなく,逆拡散過程をパラメータ化する基本対象として単一条件条件確率を扱う。 拡散力学におけるこれらの条件を推定するために,NeurISE (Neur Interaction Screening Estimator) と呼ばれる試料効率のよい手法を用いる。 合成イジングモデル、MNIST、D-Wave量子アニール、合成ポッツモデルおよび1次元量子システムによって生成された科学データセットに関する制御された実験は、提案手法を実証している。 これらの実験により,提案手法は,比に基づくアプローチ,全変動性能の向上,相互相関,カーネル密度推定指標など,既存の手法よりも優れていることを示した。

関連論文リスト

• Diffusion models for multivariate subsurface generation and efficient probabilistic inversion [0.0]
  拡散モデルは、深い生成モデリングタスクのための安定したトレーニングと最先端のパフォーマンスを提供する。 本稿では拡散モデルに固有のノイズ汚染を考慮した近似法を提案する。 統計的ロバスト性は有意に向上し, 後部確率密度関数のサンプリングが向上した。
  論文  参考訳（メタデータ） (2025-07-21T17:10:16Z)
• Spatially-Aware Diffusion Models with Cross-Attention for Global Field Reconstruction with Sparse Observations [1.371691382573869]
  フィールド再構成タスクにおけるスコアベース拡散モデルの開発と拡張を行う。 本研究では,観測領域と観測領域の間のトラクタブルマッピングを構築するための条件符号化手法を提案する。 本研究では, モデルが再現可能かどうかを把握し, 融合結果の精度を向上する能力を示す。
  論文  参考訳（メタデータ） (2024-08-30T19:46:23Z)
• Kinetic Interacting Particle Langevin Monte Carlo [0.0]
  本稿では,潜在変数モデルにおける統計的推論のために,アンダーダム付きランゲヴィンアルゴリズムの相互作用について紹介し,解析する。 本稿では,パラメータと潜伏変数の空間内で共同で進化する拡散過程を提案する。 統計モデルのパラメータを推定する実用的なアルゴリズムとして,この拡散について2つの明確な考察を行う。
  論文  参考訳（メタデータ） (2024-07-08T09:52:46Z)
• 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)
• 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)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。