論文の概要: Sample-efficient evidence estimation of score based priors for model selection

• arxiv url: http://arxiv.org/abs/2602.20549v1
• Date: Tue, 24 Feb 2026 05:06:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.609861
• Title: Sample-efficient evidence estimation of score based priors for model selection
• Title（参考訳）: モデル選択のためのスコアベース前のサンプル有効エビデンス推定
• Authors: Frederic Wang, Katherine L. Bouman,
• Abstract要約: 本稿では, 後方サンプリング手法の時間行列を積分することにより, 拡散のモデル証拠を推定する手法を提案する。 本手法は, 逆拡散サンプリングプロセスにおいて自然に得られた大量の中間試料を利用する。 適切な拡散モデルを事前に選択し、高度に条件の異なる非線形逆問題の下で事前不適合を診断することができる。
• 参考スコア（独自算出の注目度）: 9.813689581505548
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The choice of prior is central to solving ill-posed imaging inverse problems, making it essential to select one consistent with the measurements $y$ to avoid severe bias. In Bayesian inverse problems, this could be achieved by evaluating the model evidence $p(y \mid M)$ under different models $M$ that specify the prior and then selecting the one with the highest value. Diffusion models are the state-of-the-art approach to solving inverse problems with a data-driven prior; however, directly computing the model evidence with respect to a diffusion prior is intractable. Furthermore, most existing model evidence estimators require either many pointwise evaluations of the unnormalized prior density or an accurate clean prior score. We propose \method, an estimator of the model evidence of a diffusion prior by integrating over the time-marginals of posterior sampling methods. Our method leverages the large amount of intermediate samples naturally obtained during the reverse diffusion sampling process to obtain an accurate estimation of the model evidence using only a handful of posterior samples (e.g., 20). We also demonstrate how to implement our estimator in tandem with recent diffusion posterior sampling methods. Empirically, our estimator matches the model evidence when it can be computed analytically, and it is able to both select the correct diffusion model prior and diagnose prior misfit under different highly ill-conditioned, non-linear inverse problems, including a real-world black hole imaging problem.
• Abstract（参考訳）: 前者の選択は、不適切な画像逆問題を解決するための中心であり、深刻なバイアスを避けるために、測定値の$y$と整合性のあるものを選択することが不可欠である。 ベイズ的逆問題において、これは、モデル証拠 $p(y \mid M)$ を異なるモデルで評価し、事前を指定し、最高値のモデルを選択することで達成できる。 拡散モデルは、データ駆動の先行問題で逆問題を解決するための最先端のアプローチであるが、拡散先行問題に関してモデル証拠を直接計算することは難解である。 さらに、既存のモデルエビデンス推定器の多くは、非正規化された事前密度の多くのポイントワイズ評価を必要とするか、正確なクリーンな事前スコアを必要とする。 後続サンプリング手法の時間行列を積分して拡散のモデル証拠を推定する手法である<method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</method</metho 提案手法は, 逆拡散サンプリングプロセスにおいて自然に得られた大量の中間試料を利用して, 少数の後続サンプル(例, 20)のみを用いて, モデル証拠の正確な推定を行う。 また,近年の拡散後サンプリング法を用いて,タンデムにおける推定器の実装方法を示す。 実世界のブラックホールイメージング問題を含む,高度に条件の整った非線形の逆問題の下で,本推定装置はモデル証拠と解析的に一致し,適切な拡散モデルを事前に選択し,事前不適合を診断することができる。

関連論文リスト

• DIVE: Inverting Conditional Diffusion Models for Discriminative Tasks [79.50756148780928]
  本稿では,事前学習した拡散モデルを用いて識別課題を遂行する問題について検討する。 我々は、事前学習されたレイアウト・ツー・イメージ拡散モデルの「反転」により、事前学習した凍結生成拡散モデルの識別能力を分類タスクからより複雑なオブジェクト検出タスクに拡張する。
  論文  参考訳（メタデータ） (2025-04-24T05:13:27Z)
• A Mixture-Based Framework for Guiding Diffusion Models [19.83064246586143]
  デノナイジング拡散モデルはベイズ逆問題(英語版)の分野において大きな進歩をもたらした。 近年のアプローチでは、事前学習した拡散モデルを用いて、そのような問題を広範囲に解決している。 本研究はこれらの中間分布の新たな混合近似を提案する。
  論文  参考訳（メタデータ） (2025-02-05T16:26:06Z)
• Variational Diffusion Posterior Sampling with Midpoint Guidance [19.43399234028389]
  State-of-the-artアプローチは、後部をターゲットとする代理拡散モデルからサンプリングする問題として問題を定式化する。 前者は事前学習した拡散モデルのスコアに置き換えられるが、誘導項は推定する必要がある。 線形および非線形逆問題に対する広範な実験を通じて提案手法を検証する。
  論文  参考訳（メタデータ） (2024-10-13T18:03:53Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Diffusion Prior-Based Amortized Variational Inference for Noisy Inverse Problems [12.482127049881026]
  そこで本稿では, 償却変分推論の観点から, 拡散による逆問題の解法を提案する。 我々の償却推論は、測定結果を対応するクリーンデータの暗黙の後方分布に直接マッピングする関数を学習し、未知の計測でも単一ステップの後方サンプリングを可能にする。
  論文  参考訳（メタデータ） (2024-07-23T02:14:18Z)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• Learning Diffusion Priors from Observations by Expectation Maximization [10.704978219090039]
  不完全および雑音のみから拡散モデルをトレーニングするための新しい手法であるDEMを提案する。 以前の研究とは異なり、DEMは適切な拡散モデルをもたらし、下流のタスクに不可欠である。
  論文  参考訳（メタデータ） (2024-05-22T15:04:06Z)
• Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
  近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。 この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
  論文  参考訳（メタデータ） (2024-02-03T13:35:39Z)

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。