論文の概要: Initialization-Aware Score-Based Diffusion Sampling

• arxiv url: http://arxiv.org/abs/2603.00772v1
• Date: Sat, 28 Feb 2026 18:37:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.356817
• Title: Initialization-Aware Score-Based Diffusion Sampling
• Title（参考訳）: 初期化を考慮したスコアベース拡散サンプリング
• Authors: Tiziano Fassina, Gabriel Cardoso, Sylvan Le Corff, Thomas Romary,
• Abstract要約: ガウス分布の古典的なサンプルは、通常、多くの離散化ステップと高い計算コストを誘導する長時間の地平線ノイズを必要とする。 本稿では,Vari Explodingfusion samplerのKullback-Leibler収束解析について述べる。 おもちゃの分布とベンチマークデータセットの実験は、かなり少ないサンプリングステップを使用しながら、競争力または改良された生成品質を示す。
• 参考スコア（独自算出の注目度）: 2.554905387213586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Score-based generative models (SGMs) aim at generating samples from a target distribution by approximating the reverse-time dynamics of a stochastic differential equation. Despite their strong empirical performance, classical samplers initialized from a Gaussian distribution require a long time horizon noising typically inducing a large number of discretization steps and high computational cost. In this work, we present a Kullback-Leibler convergence analysis of Variance Exploding diffusion samplers that highlights the critical role of the backward process initialization. Based on this result, we propose a theoretically grounded sampling strategy that learns the reverse-time initialization, directly minimizing the initialization error. The resulting procedure is independent of the specific score training procedure, network architecture, and discretization scheme. Experiments on toy distributions and benchmark datasets demonstrate competitive or improved generative quality while using significantly fewer sampling steps.
• Abstract（参考訳）: スコアベース生成モデル(SGM)は、確率微分方程式の逆時間ダイナミクスを近似することにより、対象分布からサンプルを生成することを目的としている。 その強い経験的性能にもかかわらず、ガウス分布から初期化された古典的なサンプルは、通常、多くの離散化ステップと高い計算コストを誘導する長い時間的地平線を必要とする。 本稿では, 後方プロセスの初期化における重要な役割を浮き彫りにした分散サンプリング器のKullback-Leibler収束解析について述べる。 この結果に基づいて、逆時間初期化を学習し、初期化誤差を直接最小化する理論的根拠付きサンプリング戦略を提案する。 得られた手順は、特定のスコアトレーニング手順、ネットワークアーキテクチャ、および離散化スキームとは独立である。 おもちゃの分布とベンチマークデータセットの実験は、かなり少ないサンプリングステップを使用しながら、競争力または改良された生成品質を示す。

関連論文リスト

• 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)
• One-Step Diffusion Samplers via Self-Distillation and Deterministic Flow [24.67443222055996]
  既存のサンプリングアルゴリズムは通常、高品質なサンプルを作成するために多くの反復的なステップを必要とする。 ステップ条件のODEを学習する1ステップ拡散サンプリング器を提案する。 標準のELBO推定値が数ステップで劣化するのは、よく見られる離散的な収差が前方/後方遷移カーネルと一致していないためである。
  論文  参考訳（メタデータ） (2025-12-04T20:57:53Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• End-To-End Learning of Gaussian Mixture Priors for Diffusion Sampler [15.372235873766812]
  学習可能な混合前駆体は、探索の制御を改善し、目標支援への適応性を高め、モード崩壊に対抗するために増強する。 実験結果から,様々な実環境および総合的なベンチマーク問題に対して,大幅な性能向上が得られた。
  論文  参考訳（メタデータ） (2025-03-01T14:58:14Z)
• Single-Step Consistent Diffusion Samplers [8.758218443992467]
  既存のサンプリングアルゴリズムは通常、高品質なサンプルを作成するために多くの反復的なステップを必要とする。 単一ステップで高忠実度サンプルを生成するために設計された新しいサンプルクラスである,一貫した拡散サンプリングを導入している。 提案手法は,従来の拡散サンプリング装置で要求されるネットワーク評価の1%以下を用いて,高忠実度サンプルが得られることを示す。
  論文  参考訳（メタデータ） (2025-02-11T14:25:52Z)
• Distributional Diffusion Models with Scoring Rules [83.38210785728994]
  拡散モデルは高品質な合成データを生成する。 高品質な出力を生成するには、多くの離散化ステップが必要です。 クリーンデータサンプルの後部エム分布を学習し,サンプル生成を実現することを提案する。
  論文  参考訳（メタデータ） (2025-02-04T16:59:03Z)
• Unified Convergence Analysis for Score-Based Diffusion Models with Deterministic Samplers [49.1574468325115]
  決定論的サンプリングのための統合収束分析フレームワークを提案する。 我々のフレームワークは$tilde O(d2/epsilon)$の反復複雑性を実現する。 また,Denoising Implicit Diffusion Models (DDIM) タイプのサンプルについて詳細な分析を行った。
  論文  参考訳（メタデータ） (2024-10-18T07:37:36Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
  高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。 分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
  論文  参考訳（メタデータ） (2020-02-21T14:03:16Z)

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。