論文の概要: Generative models on phase space

• arxiv url: http://arxiv.org/abs/2604.02415v1
• Date: Thu, 02 Apr 2026 18:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.151246
• Title: Generative models on phase space
• Title（参考訳）: 位相空間上の生成モデル
• Authors: Zachary Bogorad, Ibrahim Elsharkawy, Yonatan Kahn, Andrew J. Larkoski, Noam Levi,
• Abstract要約: 深層生成モデルは、高次元分布から学習およびサンプリングが可能な強力な機械学習ツールである。 我々は, サンプリング軌道のすべての段階に制限された生成モデルを導入し, モメンタムフレームの中心における無質量N-粒子ローレンツ不変位相空間の多様体について述べる。 我々のモデルは、様々な特異点構造を持つ少数粒子分布と多粒子分布の両方を学習できることを実証する。
• 参考スコア（独自算出の注目度）: 1.739856067884508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models such as diffusion and flow matching are powerful machine learning tools capable of learning and sampling from high-dimensional distributions. They are particularly useful when the training data appears to be concentrated on a submanifold of the data embedding space. For high-energy physics data, consisting of collections of relativistic energy-momentum 4-vectors, this submanifold can enforce extremely strong physically-motivated priors, such as energy and momentum conservation. If these constraints are learned only approximately, rather than exactly, this can inhibit the interpretability and reliability of such generative models. To remedy this deficiency, we introduce generative models which are, by construction, confined at every step of their sampling trajectory to the manifold of massless N-particle Lorentz-invariant phase space in the center-of-momentum frame. In the case of diffusion models, the "pure noise" forward process endpoint corresponds to the uniform distribution on phase space, which provides a clear starting point from which to identify how correlations among the particles emerge during the reverse (de-noising) process. We demonstrate that our models are able to learn both few-particle and many-particle distributions with various singularity structures, paving the way for future interpretability studies using generative models trained on simulated jet data.
• Abstract（参考訳）: 拡散やフローマッチングのような深層生成モデルは、高次元分布から学習およびサンプリングが可能な強力な機械学習ツールである。 これは、トレーニングデータがデータ埋め込み空間のサブ多様体に集中しているように見える場合に特に有用である。 相対論的エネルギー運動量 4-ベクトルの集合からなる高エネルギー物理データに対して、このサブ多様体はエネルギーや運動量保存のような非常に強い物理的動機付けの先行を強制することができる。 これらの制約が厳密にではなく概してのみ学習されると、このような生成モデルの解釈可能性や信頼性が阻害される。 この欠損を補うために、我々は、構成上、サンプリング軌道のすべてのステップに制限された生成モデルを導入し、モメンタムフレームの中心の無質量N-粒子ローレンツ不変位相空間の多様体に導入する。 拡散モデルの場合、「純雑音」前方プロセス終端は位相空間上の均一分布に対応し、逆(脱ノイズ)過程中に粒子間の相関がどのように現れるかを特定するための明確な出発点を提供する。 シミュレーションジェットデータに基づいて学習した生成モデルを用いて,多粒子分布と多粒子分布を様々な特異点構造で学習できることを実証した。

関連論文リスト

• Weighted Stochastic Differential Equation to Implement Wasserstein-Fisher-Rao Gradient Flow [0.0]
  有望な作業のラインは、情報幾何学から、大量再重み付け機構を備えた拡散に基づくサンプル装置の拡張まで、ツールを活用する。 本研究は,WFRに基づくサンプリング力学の予備的かつ厳密な研究であり,今後の発展の基礎となる理論構造を明らかにすることを目的としている。
  論文  参考訳（メタデータ） (2025-12-19T18:31:27Z)
• When and how can inexact generative models still sample from the data manifold? [2.4664553878979185]
  スコア関数やドリフトベクトル場における学習誤差にもかかわらず、生成されたサンプルはデータ分布の支持を強調させるが、それから強調しないように見える。 我々は、上のリャプノフベクトルとデータ多様体の境界に沿った接空間とのアライメントがロバスト性をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-08-11T03:24:34Z)
• 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)
• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• Learning to Approximate Particle Smoothing Trajectories via Diffusion Generative Models [16.196738720721417]
  希少な観測からシステムを学ぶことは、生物学、金融学、物理学など多くの分野において重要である。 本研究では,条件付き粒子フィルタリングと祖先サンプリングと拡散モデルを統合する手法を提案する。 車両追跡や単一セルRNAシークエンシングデータなど,時系列生成とタスクにおけるアプローチを実証する。
  論文  参考訳（メタデータ） (2024-06-01T21:54:01Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Particle clustering in turbulence: Prediction of spatial and statistical properties with deep learning [6.91821181311687]
  等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。 我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。 以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-05T15:46:28Z)

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。