論文の概要: One-Step Sampler for Boltzmann Distributions via Drifting
- arxiv url: http://arxiv.org/abs/2603.17579v1
- Date: Wed, 18 Mar 2026 10:35:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-19 18:32:57.649352
- Title: One-Step Sampler for Boltzmann Distributions via Drifting
- Title（参考訳）: ボルツマン分布のドリフトによるワンステップサンプリング
- Abstract要約: エネルギー関数によって定義されるボルツマン分布のアモータライズサンプリングのためのドリフトベースフレームワークを提案する。
この方法は、現在のボルツマンモデルから滑らかなフィールドに沿ってサンプルを投影することで、ワンステップジェネレータを訓練する。
- 参考スコア（独自算出の注目度）: 12.425963016756855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a drifting-based framework for amortized sampling of Boltzmann distributions defined by energy functions. The method trains a one-step neural generator by projecting samples along a Gaussian-smoothed score field from the current model distribution toward the target Boltzmann distribution. For targets specified only up to an unknown normalization constant, we derive a practical target-side drift from a smoothed energy and use two estimators: a local importance-sampling mean-shift estimator and a second-order curvature-corrected approximation. Combined with a mini-batch Gaussian mean-shift estimate of the sampler-side smoothed score, this yields a simple stop-gradient objective for stable one-step training. On a four-mode Gaussian-mixture Boltzmann target, our sampler achieves mean error $0.0754$, covariance error $0.0425$, and RBF MMD $0.0020$. Additional double-well and banana targets show that the same formulation also handles nonconvex and curved low-energy geometries. Overall, the results support drifting as an effective way to amortize iterative sampling from Boltzmann distributions into a single forward pass at test time.
- Abstract（参考訳）: エネルギー関数によって定義されるボルツマン分布のアモータライズサンプリングのためのドリフトベースフレームワークを提案する。
この方法は、ガウス平滑なスコアフィールドに沿ってサンプルを現在のモデル分布から目標ボルツマン分布へ投影することにより、一段階のニューラルジェネレータを訓練する。
未知の正規化定数までしか特定できない対象に対しては、スムーズなエネルギーから現実的な目標側ドリフトを導出し、局所的重要性サンプリング平均シフト推定器と2階曲率補正近似という2つの推定器を使用する。
サンプル側平滑化スコアの最小バッチガウス平均シフト推定と組み合わせることで、安定なワンステップトレーニングのための単純な停止段階目標が得られる。
4モードのガウス混合ボルツマンターゲットでは,平均誤差が0.0754$,共分散誤差が0.0425$,RBF MMDが0.0020$となる。
追加のダブルウェルとバナナのターゲットは、同じ定式化が非凸や湾曲した低エネルギーのジオメトリも扱うことを示している。
全体として、結果はボルツマン分布からの反復サンプリングを試験時間で1つの前方通過に補正する有効な方法としてドリフトを支持する。
関連論文リスト
- Training-Free Generative Sampling via Moment-Matched Score Smoothing [0.6015898117103069]
拡散モデルは、摂動対象分布のスコアに沿ってデノイングすることでサンプルを生成する。
最近の研究は、スコアマッチングが暗黙的に経験的なスコアを滑らかにすることを示唆している。
モーメントマッチングされたスコアスムーズなランゲヴィンダイナミクスを提案する。
論文 参考訳（メタデータ） (2026-05-14T02:20:36Z) - Discrete Flow Matching: Convergence Guarantees Under Minimal Assumptions [13.856153548136826]
Flow Matchingは、ターゲット分布をシミュレートするための一般的な生成モデルのクラスとして最近登場した。
時間離散化によってサンプル化した $mathbbZ_md = 0,ldots,m-1d$ の DFM モデルについて検討した。
ターゲット分布の早期停止版に対するKulback--Leibler分散の非漸近境界を導出する。
論文 参考訳（メタデータ） (2026-05-09T11:06:33Z) - Alternating Diffusion for Proximal Sampling with Zeroth Order Queries [11.162988605397734]
本稿では,ポテンシャル関数のゼロ階情報のみで動作する新しい近似近位サンプリング手法を提案する。
実際には、アルゴリズムはリジェクションサンプリングを回避し、フレキシブルなステップサイズを許容し、決定論的ランタイム予算で実行します。
論文 参考訳（メタデータ） (2026-03-20T04:33:23Z) - A Unified View of Drifting and Score-Based Models [92.51878018325031]
ドリフトがカーネル平滑分布にスコアベースの定式化を許すことを示すことにより,拡散モデルの背後にあるスコアマッチング原理との関係を正確にする。
一般的なラプラス核に対して正確な分解を導出し、ラプラス核に対してドリフトが低温および高次元状態におけるスコアマッチングの正確なプロキシであることを示す厳密な誤差境界を証明した。
論文 参考訳（メタデータ） (2026-03-08T07:41:36Z) - FALCON: Few-step Accurate Likelihoods for Continuous Flows [78.37361800856583]
本稿では,FALCON(Few-step Accurate Likelihoods for Continuous Flows)を提案する。
FALCONは分子ボルツマンサンプリングのための最先端の正規化フローモデルより優れており、同等の性能を持つCNFモデルよりも2桁高速である。
論文 参考訳（メタデータ） (2025-12-10T18:47:25Z) - Digitized Counterdiabatic Quantum Sampling [29.85893589594055]
低温ボルツマン分布などのエネルギーモデルから効率的なサンプリングを行うためのハイブリッド量子古典アルゴリズムを提案する。
従来のサンプリングアルゴリズムであるメトロポリス・ハスティングス (Metropolis-Hastings) や最先端の低温並列処理技術 (低温度並列処理) は,DCQSの品質に合わせるために,最大で3桁のサンプルを必要とすることを示した。
論文 参考訳（メタデータ） (2025-10-30T17:32:49Z) - Importance Weighted Score Matching for Diffusion Samplers with Enhanced Mode Coverage [16.94974733994214]
一般的な手法では、逆KLベースの目的を最適化することで、ターゲットデータの欠如を回避できることが多い。
そこで本研究では,KLの分岐に類似した目的を直接ターゲットとした拡散型サンプリング器の訓練手法を提案する。
我々のアプローチは、すべての分布距離のメトリクスで既存のニューラルサンプリングよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-05-26T02:48:26Z) - Minimax Optimality of the Probability Flow ODE for Diffusion Models [8.15094483029656]
この研究は、決定論的ODEベースのサンプリングのための最初のエンドツーエンド理論フレームワークを開発する。
L2$のスコア誤差と関連する平均ジャコビアン誤差の両方を同時に制御するスムーズな正規化スコア推定器を提案する。
得られたサンプルは全変動距離, 変調対数係数において最小値が得られることを示す。
論文 参考訳（メタデータ） (2025-03-12T17:51:29Z) - Scalable Equilibrium Sampling with Sequential Boltzmann Generators [60.00515282300297]
Boltzmannジェネレータフレームワークを2つの重要なコントリビューションで拡張する。
1つ目は、全原子カルテシアン座標で直接動作する非常に効率的なトランスフォーマーベースの正規化フローである。
特に,連続モンテカルロの連続時間変種を用いて,流れサンプルの推論時スケーリングを行う。
論文 参考訳（メタデータ） (2025-02-25T18:59:13Z) - Efficiently learning and sampling multimodal distributions with data-based initialization [20.575122468674536]
静止測度から少数のサンプルを与えられたマルコフ連鎖を用いて多重モーダル分布をサンプリングする問題を考察する。
マルコフ連鎖が$k$dのスペクトルギャップを持つ場合、静止分布からのサンプルは、静止測度からテレビ距離において$varepsilon$-closeの条件法則を持つサンプルを効率よく生成する。
論文 参考訳（メタデータ） (2024-11-14T01:37:02Z) - Provable Acceleration for Diffusion Models under Minimal Assumptions [8.15094483029656]
そこで本研究では,スコアベースサンプルの学習自由化手法を提案する。
最小限の仮定の下で、我々のスキームは$widetildeO(d5/4/sqrtvarepsilon)$で全変量を達成する。
論文 参考訳（メタデータ） (2024-10-30T17:59:06Z) - Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳（メタデータ） (2024-10-17T16:42:12Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳（メタデータ） (2023-06-27T08:15:28Z) - Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。
粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
論文 参考訳（メタデータ） (2021-10-06T16:58:34Z)
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。