論文の概要: Slithering Through Gaps: Capturing Discrete Isolated Modes via Logistic Bridging

• arxiv url: http://arxiv.org/abs/2604.10821v1
• Date: Sun, 12 Apr 2026 21:23:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.23342
• Title: Slithering Through Gaps: Capturing Discrete Isolated Modes via Logistic Bridging
• Title（参考訳）: ギャップをスライシングする:ロジスティックブリッジによる離散的な分離モードのキャプチャ
• Authors: Pinaki Mohanty, Ruqi Zhang,
• Abstract要約: 高次元および複素離散分布は、しばしば固有の不連続性に起因する多重モードの挙動を示す。 EmphHyperbolic Secant-squared Gibbs-Sampling (HiSS) は,EmphMetropolis-within-Gibbsフレームワークを統合して混合効率を向上させる新しいサンプリングアルゴリズムである。
• 参考スコア（独自算出の注目度）: 22.40017989720178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-dimensional and complex discrete distributions often exhibit multimodal behavior due to inherent discontinuities, posing significant challenges for sampling. Gradient-based discrete samplers, while effective, frequently become trapped in local modes when confronted with rugged or disconnected energy landscapes. This limits their ability to achieve adequate mixing and convergence in high-dimensional multimodal discrete spaces. To address these challenges, we propose \emph{Hyperbolic Secant-squared Gibbs-Sampling (HiSS)}, a novel family of sampling algorithms that integrates a \emph{Metropolis-within-Gibbs} framework to enhance mixing efficiency. HiSS leverages a logistic convolution kernel to couple the discrete sampling variable with the continuous auxiliary variable in a joint distribution. This design allows the auxiliary variable to encapsulate the true target distribution while facilitating easy transitions between distant and disconnected modes. We provide theoretical guarantees of convergence and demonstrate empirically that HiSS outperforms many popular alternatives on a wide variety of tasks, including Ising models, binary neural networks, and combinatorial optimization.
• Abstract（参考訳）: 高次元および複素離散分布は、しばしば固有の不連続性に起因する多重モードの挙動を示し、サンプリングの重要な課題を提起する。 グラディエントベースの離散サンプリング器は、有効ではあるが、頑丈で断線したエネルギーの風景に直面すると、しばしば局所的なモードに閉じ込められる。 これにより、高次元多モード離散空間における適切な混合と収束を達成する能力が制限される。 これらの課題に対処するため, 混合効率を高めるために, \emph{Metropolis-within-Gibbs} フレームワークを統合した新しいサンプリングアルゴリズムである \emph{Hyperbolic Secant-squared Gibbs-Sampling (HiSS)} を提案する。 HiSSはロジスティック畳み込みカーネルを利用して、離散サンプリング変数と連続補助変数を結合する。 この設計により、補助変数は真のターゲット分布をカプセル化でき、遠隔モードと非接続モードを簡単に移行できる。 我々は、収束の理論的保証を提供し、HiSSがIsingモデル、バイナリニューラルネットワーク、組合せ最適化など、様々なタスクにおいて多くの一般的な選択肢より優れていることを実証的に証明する。

関連論文リスト

• G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
  本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。 複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。 G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-10-02T12:57:12Z)
• Entropy-Guided Sampling of Flat Modes in Discrete Spaces [9.099589602551573]
  既存のサンプリングアルゴリズムは、しばしばモードボリュームを見落とし、フラットモードを効果的に捉えるのに苦労する。 本研究では, 局所エントロピーを連続的補助変数によるサンプリングプロセスに組み込んだEmphEntropic Discrete Langevin Proposal (EDLP)を提案する。 局所対数対数離散分布におけるEDLPの非漸近収束保証を提供する。
  論文  参考訳（メタデータ） (2025-05-05T00:12:34Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• 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)
• Diffusive Gibbs Sampling [40.1197715949575]
  本稿では,ディフューシブギブズサンプリング(Diffusive Gibbs Sampling, DiGS)を提案する。 DiGSは拡散モデルにおける最近の発展を統合し、ガウスの畳み込みを利用して補助雑音分布を生成する。 新規なメトロポリス・ウィスティン・ギブス法は, サンプリング工程における混合性を高めるために提案されている。
  論文  参考訳（メタデータ） (2024-02-05T13:47:41Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)

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。