論文の概要: Closed-form conditional diffusion models for data assimilation

• arxiv url: http://arxiv.org/abs/2603.21291v1
• Date: Sun, 22 Mar 2026 15:25:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.334774
• Title: Closed-form conditional diffusion models for data assimilation
• Title（参考訳）: データ同化のための閉形式条件拡散モデル
• Abstract要約: データ同化のための閉形式条件拡散モデルを提案する。 スコア関数の解析的トラクタビリティを利用して,システムの状態と測定値を同化する。 提案手法は, 明示的な知識を必要とせず, システムや計測プロセスに適応できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose closed-form conditional diffusion models for data assimilation. Diffusion models use data to learn the score function (defined as the gradient of the log-probability density of a data distribution), allowing them to generate new samples from the data distribution by reversing a noise injection process. While it is common to train neural networks to approximate the score function, we leverage the analytical tractability of the score function to assimilate the states of a system with measurements. To enable the efficient evaluation of the score function, we use kernel density estimation to model the joint distribution of the states and their corresponding measurements. The proposed approach also inherits the capability of conditional diffusion models of operating in black-box settings, i.e., the proposed data assimilation approach can accommodate systems and measurement processes without their explicit knowledge. The ability to accommodate black-box systems combined with the superior capabilities of diffusion models in approximating complex, non-Gaussian probability distributions means that the proposed approach offers advantages over many widely used filtering methods. We evaluate the proposed method on nonlinear data assimilation problems based on the Lorenz-63 and Lorenz-96 systems of moderate dimensionality and nonlinear measurement models. Results show the proposed approach outperforms the widely used ensemble Kalman and particle filters when small to moderate ensemble sizes are used.
• Abstract（参考訳）: データ同化のための閉形式条件拡散モデルを提案する。 拡散モデルは、スコア関数(データ分布の対数確率密度の勾配として定義される)を学ぶためにデータを使用し、ノイズ注入過程を反転させることで、データ分布から新しいサンプルを生成する。 スコア関数を近似するためにニューラルネットワークを訓練することは一般的であるが、スコア関数の解析的トラクタビリティを活用して、システムの状態と測定値を同化する。 スコア関数の効率的な評価を可能にするために、カーネル密度推定を用いて状態の結合分布とそれに対応する測定値をモデル化する。 提案手法は,ブラックボックス設定で操作する条件拡散モデルの能力を継承する。つまり,提案したデータ同化手法は,明示的な知識を伴わずにシステムや測定プロセスに対応できる。 ブラックボックスシステムと複雑な非ガウス確率分布の近似における拡散モデルの優れた能力を組み合わせる能力は、提案手法が多くの広く使われているフィルタリング法よりも有利であることを意味する。 我々は,ロレンツ-63とロレンツ-96の中間次元モデルと非線形測定モデルに基づく非線形データ同化問題に対する提案手法の評価を行った。 提案手法は,小から中程度のアンサンブルサイズを用いる場合,広く使用されているアンサンブルカルマンや粒子フィルタよりも優れていることを示す。

関連論文リスト

• SURGE: Approximation and Training Free Particle Filter for Diffusion Surrogate [10.190682562038047]
  本研究では,拡散モデルを用いてシステムのダイナミクスをシミュレーションし,予測する。 本研究では,騒音観測から得られる情報を組み込んで,予測されたシステム状態の継続的な修正と改善を可能にする方法について検討する。
  論文  参考訳（メタデータ） (2026-05-18T17:59:00Z)
• Discrete Diffusion with Sample-Efficient Estimators for Conditionals [2.7400724993677703]
  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。
  論文  参考訳（メタデータ） (2026-02-23T19:20:37Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Multimodal Atmospheric Super-Resolution With Deep Generative Models [1.9367648935513015]
  スコアベース拡散モデリング(Score-based diffusion modeling)は、複雑な分布からサンプリングできる生成機械学習アルゴリズムである。 本稿では,高次元力学系の超解像にそのような概念を適用し,低分解能および実験的に観察されたスパースセンサ測定のリアルタイム利用性を考える。
  論文  参考訳（メタデータ） (2025-06-28T06:47:09Z)
• Continuous Diffusion Model for Language Modeling [64.7425225935854]
  離散的データに対する既存の連続拡散モデルは離散的手法と比較して性能が劣る。 本稿では,下層の分類分布の幾何学を組み込んだ言語モデリングのための連続拡散モデルを提案する。 本手法は,既存の離散拡散モデルより優れ,自己回帰モデルの性能にアプローチする。
  論文  参考訳（メタデータ） (2025-02-17T08:54:29Z)
• Conditional score-based diffusion models for solving inverse problems in mechanics [6.319616423658121]
  条件付きスコアベース拡散モデルを用いてベイズ推定を行う枠組みを提案する。 条件付きスコアベース拡散モデルは条件分布のスコア関数を近似する生成モデルである。 メカニクスにおける高次元逆問題に対して提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-19T02:09:15Z)
• Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory [87.00653989457834]
  条件付き拡散モデルは現代の画像合成の基礎となり、計算生物学や強化学習などの分野に広く応用されている。 経験的成功にもかかわらず、条件拡散モデルの理論はほとんど欠落している。 本稿では,条件拡散モデルを用いた分布推定の急激な統計的理論を提示することにより,ギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-18T17:08:24Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• 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)

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。