論文の概要: Pliable rejection sampling

• arxiv url: http://arxiv.org/abs/2604.22385v1
• Date: Fri, 24 Apr 2026 09:21:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.412002
• Title: Pliable rejection sampling
• Title（参考訳）: Pliable rejection sample
• Authors: Akram Erraqabi, Michal Valko, Alexandra Carpentier, Odalric-Ambrym Maillard,
• Abstract要約: 提案手法は, 新規なリジェクションサンプリング手法であるPliable rejection sample (PRS) を提案する。 PRSは拒絶サンプリングに基づいて構築され、受け入れられたサンプルの数を保証する。
• 参考スコア（独自算出の注目度）: 61.01438712621603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rejection sampling is a technique for sampling from difficult distributions. However, its use is limited due to a high rejection rate. Common adaptive rejection sampling methods either work only for very specific distributions or without performance guarantees. In this paper, we present pliable rejection sampling (PRS), a new approach to rejection sampling, where we learn the sampling proposal using a kernel estimator. Since our method builds on rejection sampling, the samples obtained are with high probability i.i.d. and distributed according to f. Moreover, PRS comes with a guarantee on the number of accepted samples.
• Abstract（参考訳）: リジェクションサンプリング(rejection sample)は、難しい分布からサンプリングする技術である。 しかし、高い拒絶率のため使用は限られている。 一般的な適応型拒絶サンプリング法は、非常に特定の分布に対してのみ機能するか、性能保証なしで機能する。 本稿では,カーネル推定器を用いてサンプリング提案を学習する,新しい手法であるPliable rejection sample (PRS)を提案する。 提案手法は拒絶サンプリングに基づいて構築されるため, 得られた試料は高い確率でfに応じて分布する。 さらに、PSSは、受け入れられたサンプルの数を保証します。

関連論文リスト

• Cactus: Accelerating Auto-Regressive Decoding with Constrained Acceptance Speculative Sampling [29.45621080100186]
  投機的サンプリング(SpS)は,自動回帰型大言語モデルの復号スループット向上に成功している。 検証器分布から制御された発散を保証する手法であるCactus (Constrained acceptance Speculative sample)を提案する。
  論文  参考訳（メタデータ） (2026-04-05T03:37:30Z)
• Enhanced Importance Sampling through Latent Space Exploration in Normalizing Flows [69.8873421870522]
  重要サンプリングはモンテカルロシミュレーションで使われる稀な事象シミュレーション手法である。 正規化フローの潜在空間における提案分布を更新し,より効率的なサンプリング法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T21:18:02Z)
• Random Sampling for Diffusion-based Adversarial Purification [21.401448516056686]
  Denoising Diffusion Probabilistic Models (DDPMs) は敵の浄化において大きな注目を集めている。 Denoising Diffusion Implicit Model (DDIM) の安定性にインスパイアされ、ランダムサンプリングと呼ばれる反対のサンプリングスキームを提案する。 簡単に言えば、各拡散過程中にランダムノイズ空間からランダムサンプリングがサンプリングされ、DDPMとDDIMサンプリングは隣接するまたは元のノイズ空間から継続的にサンプリングされる。
  論文  参考訳（メタデータ） (2024-11-28T07:04:09Z)
• Optimal Budgeted Rejection Sampling for Generative Models [54.050498411883495]
  判別器を用いた生成モデルの性能向上のために, 還元サンプリング法が提案されている。 提案手法は,まず,最適に最適である最適予算削減サンプリング方式を提案する。 第2に,モデル全体の性能を高めるために,サンプリング方式をトレーニング手順に組み込んだエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2023-11-01T11:52:41Z)
• Sampling from Discrete Energy-Based Models with Quality/Efficiency Trade-offs [3.491202838583993]
  エネルギーベースモデル(EBM)は、確率分布の非常に柔軟な仕様を可能にする。 これらの分布から正確なサンプルを得るためのメカニズムは提供されていない。 そこで本研究では,サンプリング効率とサンプリング品質のトレードオフを可能にする,新しい近似サンプリング手法であるQuasi Rejection Smpling (QRS)を提案する。
  論文  参考訳（メタデータ） (2021-12-10T17:51:37Z)
• Reparameterized Sampling for Generative Adversarial Networks [71.30132908130581]
  本稿では,マルコフ連鎖をジェネレータの潜在空間に再配置することで,一般依存型提案を可能にする新しいサンプリング手法REP-GANを提案する。 実験的な実験により、我々のREP-GANはサンプル効率を大幅に改善し、同時により良いサンプル品質を得ることを示した。
  論文  参考訳（メタデータ） (2021-07-01T10:34:55Z)

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。