論文の概要: Neural Diffusion Intensity Models for Point Process Data

• arxiv url: http://arxiv.org/abs/2602.24083v1
• Date: Fri, 27 Feb 2026 15:21:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.484509
• Title: Neural Diffusion Intensity Models for Point Process Data
• Title（参考訳）: 点過程データに対する神経拡散インテンシティモデル
• Authors: Xinlong Du, Harsha Honnappa, Vinayak Rao,
• Abstract要約: ニューラルSDEによって駆動されるCoxプロセスの変動フレームワークを提案する。 点過程観測における条件付けは, 遅延強度の拡散構造を明示的なドリフト補正で保存することを示す。
• 参考スコア（独自算出の注目度）: 4.1419700571838405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cox processes model overdispersed point process data via a latent stochastic intensity, but both nonparametric estimation of the intensity model and posterior inference over intensity paths are typically intractable, relying on expensive MCMC methods. We introduce Neural Diffusion Intensity Models, a variational framework for Cox processes driven by neural SDEs. Our key theoretical result, based on enlargement of filtrations, shows that conditioning on point process observations preserves the diffusion structure of the latent intensity with an explicit drift correction. This guarantees the variational family contains the true posterior, so that ELBO maximization coincides with maximum likelihood estimation under sufficient model capacity. We design an amortized encoder architecture that maps variable-length event sequences to posterior intensity paths by simulating the drift-corrected SDE, replacing repeated MCMC runs with a single forward pass. Experiments on synthetic and real-world data demonstrate accurate recovery of latent intensity dynamics and posterior paths, with orders-of-magnitude speedups over MCMC-based methods.
• Abstract（参考訳）: Coxプロセスは、遅延確率強度による過分散点プロセスデータであるが、強度モデルの非パラメトリック推定と、強度パスに対する後部推測の両方は、高価なMCMC法に依存して、典型的には難解である。 ニューラルSDEによって駆動されるCoxプロセスの変動フレームワークであるNeural Diffusion Intensity Modelsを紹介する。 その結果, 点過程の観測による条件付けは, 明らかなドリフト補正による潜伏強度の拡散構造を保っていることがわかった。 これは変分族が真の後部を含むことを保証するため、ELBOの最大化は十分なモデルキャパシティの下での最大推定値と一致する。 本研究では,MCMCの繰り返し実行を1つの前方パスで置き換え,ドリフト補正されたSDEをシミュレートすることで,可変長イベント列を後続強度パスにマッピングするアモータイズエンコーダアーキテクチャを設計する。 合成および実世界のデータを用いた実験により,MCMC法による遅延強度ダイナミックスと後続経路の正確な回復が確認された。

関連論文リスト

• Efficient Flow Matching for Sparse-View CT Reconstruction [7.05503627528473]
  Flow Matching (FM)モデルはノイズ注入なしで滑らかな軌道を示す。 FMCT(FM-based CT reconstruction framework)を提案する。 FMCT/EFMCTは,拡散法と比較して計算効率を著しく向上しつつ,競争力のある再構成品質を実現する。
  論文  参考訳（メタデータ） (2026-02-27T11:13:43Z)
• Physics-informed neural particle flow for the Bayesian update step [0.8220217498103312]
  本稿では,物理インフォームド・ニューラル粒子フローを提案する。 制御偏微分方程式(PDE)を損失関数に埋め込むことで、ニューラルネットワークをトレーニングして輸送速度場を近似する。 ニューラルネットワークのパラメータ化は暗黙の正則化器として機能し,解析フローに固有の剛性を緩和することを示した。
  論文  参考訳（メタデータ） (2026-02-26T15:10:45Z)
• Breaking the Bottlenecks: Scalable Diffusion Models for 3D Molecular Generation [0.0]
  拡散モデルは分子設計のための強力な生成モデルとして登場した。 彼らの使用は、長いサンプリング軌道、逆過程のばらつき、そして力学の認知における構造的認識の制限によって制限されている。 直接分極拡散モデル(英語版)は、逆MCMC更新を決定論的分極ステップに置き換えることでこれらの非効率性を緩和する。
  論文  参考訳（メタデータ） (2026-01-13T20:09:44Z)
• ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction [7.644299873269135]
  スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。 本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-06T01:43:35Z)
• Physics-Informed Residual Neural Ordinary Differential Equations for Enhanced Tropical Cyclone Intensity Forecasting [10.68223611630852]
  本研究では,熱帯性サイクロンの強度変化を正確に予測するための物理インフォームド残差正規微分方程式モデルを提案する。 PIR-NODEモデルは,従来の統計モデルやベンチマークディープラーニング手法と比較して,24時間強度予測精度を大幅に向上させる。 本研究では、PIR-NODEモデルアーキテクチャ、物理インフォームド統合戦略、総合的な実験的検証について詳述する。
  論文  参考訳（メタデータ） (2025-03-09T04:23:07Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• 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)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• SPIRiT-Diffusion: Self-Consistency Driven Diffusion Model for Accelerated MRI [14.545736786515837]
  本稿では,k空間の拡散モデルであるSPIRiT-Diffusionを紹介する。 3次元頭蓋内および頸動脈壁画像データセットを用いたSPIRiT-Diffusion法の評価を行った。
  論文  参考訳（メタデータ） (2023-04-11T08:43:52Z)
• 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)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)

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。