論文の概要: From Independent to Correlated Diffusion: Generalized Generative Modeling with Probabilistic Computers

• arxiv url: http://arxiv.org/abs/2603.27996v1
• Date: Mon, 30 Mar 2026 03:36:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.213945
• Title: From Independent to Correlated Diffusion: Generalized Generative Modeling with Probabilistic Computers
• Title（参考訳）: 独立性から相関拡散:確率型計算機を用いた一般化生成モデリング
• Authors: Nihal Sanjay Singh, Mazdak Mohseni-Rajaee, Shaila Niazi, Kerem Y. Camsari,
• Abstract要約: 拡散モデルは、ディープラーニングにおける生成タスクの強力なフレームワークとして登場した。 独立ノイズ注入をモンテカルロ力学に置き換えることでサンプリング成分を一般化する。 p-コンピュータが新しい拡散アルゴリズムのクラスを実現できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have emerged as a powerful framework for generative tasks in deep learning. They decompose generative modeling into two computational primitives: deterministic neural-network evaluation and stochastic sampling. Current implementations usually place most computation in the neural network, but diffusion as a framework allows a broader range of choices for the stochastic transition kernel. Here, we generalize the stochastic sampling component by replacing independent noise injection with Markov chain Monte Carlo (MCMC) dynamics that incorporate known interaction structure. Standard independent diffusion is recovered as a special case when couplings are set to zero. By explicitly incorporating Ising couplings into the diffusion dynamics, the noising and denoising processes exploit spatial correlations representative of the target system. The resulting framework maps naturally onto probabilistic computers (p-computers) built from probabilistic bits (p-bits), which provide orders-of-magnitude advantages in sampling throughput and energy efficiency over GPUs. We demonstrate the approach on equilibrium states of the 2D ferromagnetic Ising model and the 3D Edwards-Anderson spin glass, showing that correlated diffusion produces samples in closer agreement with MCMC reference distributions than independent diffusion. More broadly, the framework shows that p-computers can enable new classes of diffusion algorithms that exploit structured probabilistic sampling for generative modeling.
• Abstract（参考訳）: 拡散モデルは、ディープラーニングにおける生成タスクの強力なフレームワークとして登場した。 彼らは生成モデリングを、決定論的ニューラルネットワーク評価と確率的サンプリングの2つの計算プリミティブに分解する。 現在の実装では、ほとんどの計算をニューラルネットワークに配置するが、フレームワークとしての拡散は確率遷移カーネルの幅広い選択肢を可能にする。 本稿では,マルコフ連鎖モンテカルロ(MCMC)ダイナミックスを独立ノイズ注入に置き換え,確率的サンプリング成分を一般化する。 標準独立拡散は、カップリングが 0 に設定された特別な場合として回収される。 拡散力学にIsing結合を明示的に組み込むことにより、ノイズ発生および雑音発生プロセスはターゲット系を表す空間的相関を利用する。 結果として得られるフレームワークは、確率ビット(pビット)で構築された確率的コンピュータ(pコンピュータ)に自然にマッピングされる。 2次元強磁性イジングモデルと3次元エドワーズ・アンダーソンスピンガラスの平衡状態に対するアプローチを実証し、相関拡散は独立拡散よりもMCMC基準分布と密に一致して試料を生成することを示した。 より広範に、このフレームワークは、生成モデリングのために構造化確率的サンプリングを利用する新しい拡散アルゴリズムのクラスを可能にすることを示している。

関連論文リスト

• Data-to-Energy Stochastic Dynamics [16.394074432826823]
  正規化されていない密度によって1つ(または両方)の分布が与えられるとき、Schr"odinger Bridgeをモデル化するための最初の一般的な方法を提案する。 提案アルゴリズムは,非政治強化学習の最近の発展に触発されたデータフリーケースに対する反復比例フィッティング(IPF)手順の一般化に依存している。 提案したデータ・トゥ・エネルギIPFの合成問題に対する有効性を示し,マルチモーダル分布間の輸送をうまく学習できることを見出した。
  論文  参考訳（メタデータ） (2025-09-30T15:03:55Z)
• Diffusion models for multivariate subsurface generation and efficient probabilistic inversion [0.0]
  拡散モデルは、深い生成モデリングタスクのための安定したトレーニングと最先端のパフォーマンスを提供する。 本稿では拡散モデルに固有のノイズ汚染を考慮した近似法を提案する。 統計的ロバスト性は有意に向上し, 後部確率密度関数のサンプリングが向上した。
  論文  参考訳（メタデータ） (2025-07-21T17:10:16Z)
• Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models [50.77646970127369]
  本稿では,Fokker-Planck由来の正規化項を用いたエネルギーベース拡散モデルを提案する。 高速折りたたみタンパク質を含む複数の生体分子系をサンプリング・シミュレートし,本手法を実証する。
  論文  参考訳（メタデータ） (2025-06-20T16:38:29Z)
• Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
  量子離散化拡散確率モデル(QD3PM)を提案する。 これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。 本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
  論文  参考訳（メタデータ） (2025-05-08T11:48:21Z)
• Discrete generative diffusion models without stochastic differential equations: a tensor network approach [1.5839621757142595]
  拡散モデル(DM)は、生成機械学習の手法のクラスである。 ネットワーク(TN)を用いて,このような離散モデルを効率的に定義し,サンプリングする方法を示す。」
  論文  参考訳（メタデータ） (2024-07-15T18:00:11Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• Analyzing Neural Network-Based Generative Diffusion Models through Convex Optimization [45.72323731094864]
  本稿では,2層ニューラルネットワークを用いた拡散モデル解析のための理論的枠組みを提案する。 我々は,1つの凸プログラムを解くことで,スコア予測のための浅層ニューラルネットワークのトレーニングが可能であることを証明した。 本結果は, ニューラルネットワークに基づく拡散モデルが漸近的でない環境で何を学習するかを, 正確に評価するものである。
  論文  参考訳（メタデータ） (2024-02-03T00:20:25Z)
• Modiff: Action-Conditioned 3D Motion Generation with Denoising Diffusion Probabilistic Models [58.357180353368896]
  本稿では,現実的で多様な3D骨格に基づく運動生成問題に対処するために,拡散確率モデル(DDPM)の利点を生かした条件付きパラダイムを提案する。 我々はDDPMを用いてカテゴリ的動作で条件付けられた動作列の可変数を合成する先駆的な試みである。
  論文  参考訳（メタデータ） (2023-01-10T13:15:42Z)

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。