論文の概要: Flow Sampling: Learning to Sample from Unnormalized Densities via Denoising Conditional Processes

• arxiv url: http://arxiv.org/abs/2605.03984v1
• Date: Tue, 05 May 2026 17:07:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:44.053076
• Title: Flow Sampling: Learning to Sample from Unnormalized Densities via Denoising Conditional Processes
• Title（参考訳）: フローサンプリング: 条件付きプロセスによる非正規化密度からのサンプル学習
• Authors: Aaron Havens, Brian Karrer, Neta Shaul,
• Abstract要約: Flow Samplingは、データフリー設定のための拡散モデルとフローマッチングに基づいて構築されたフレームワークである。 補間法を用いて、トレーニング中のエネルギー関数の評価数を最小化し、非正規化密度をサンプリングする効率的でスケーラブルな方法を実現する。
• 参考スコア（独自算出の注目度）: 8.197659010420418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sampling from unnormalized densities is analogous to the generative modeling problem, but the target distribution is defined by a known energy function instead of data samples. Because evaluating the energy function is often costly, a primary challenge is to learn an efficient sampler. We introduce Flow Sampling, a framework built on diffusion models and flow matching for the data-free setting. Our training objective is conditioned on a noise sample and regresses onto a denoising diffusion drift constructed from the energy function. In contrast, diffusion models' objective is conditioned on a data sample and regresses onto a noising diffusion drift. We utilize the interpolant process to minimize the number of energy function evaluations during training, resulting in an efficient and scalable method for sampling unnormalized densities. Furthermore, our formulation naturally extends to Riemannian manifolds, enabling diffusion-based sampling in geometries beyond Euclidean space. We derive a closed-form formula for the conditional drift on constant curvature manifolds, including hyperspheres and hyperbolic spaces. We evaluate Flow Sampling on synthetic energy benchmarks, small peptides, large-scale amortized molecular conformer generation, and distributions supported on the sphere, demonstrating strong empirical performance.
• Abstract（参考訳）: 非正規化密度からのサンプリングは生成的モデリング問題に類似しているが、対象の分布はデータサンプルの代わりに既知のエネルギー関数によって定義される。 エネルギー関数の評価はコストがかかることが多いため、最も大きな課題は効率的なサンプリング器の学習である。 拡散モデルとデータフリー設定のためのフローマッチングに基づくフレームワークであるFlow Samplingを紹介する。 実験対象は, 騒音試料に条件付きで, エネルギー関数から構築した拡散ドリフトに回帰する。 対照的に、拡散モデルの目的はデータサンプルに条件付けされ、ノイズを発生させる拡散ドリフトに回帰する。 補間法を用いて、トレーニング中のエネルギー関数の評価数を最小化し、非正規化密度をサンプリングする効率的でスケーラブルな方法を実現する。 さらに、我々の定式化は自然にリーマン多様体に拡張され、ユークリッド空間を超えた幾何学の拡散に基づくサンプリングが可能となる。 球面や双曲空間を含む定数曲率多様体上の条件ドリフトの閉形式式を導出する。 本研究では, 合成エネルギーベンチマーク, 小ペプチド, 大規模アモルト化分子コンフォメータ生成, 球面に支持される分布を計測し, 高い実験性能を示した。

関連論文リスト

• 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)
• Enhancing Diffusion-Based Sampling with Molecular Collective Variables [23.394068689634086]
  拡散に基づくサンプリングは、エネルギーやログ密度だけで複雑な高次元分布をサンプリングすることを学ぶ。 我々は、集合変数(CVs)として知られる原子座標のベスポーク、情報豊か、低次元射影に沿ったシーケンシャルバイアスを導入する。 拡散型サンプリング装置を用いた反応性サンプリングを初めて実施し, 原子間ポテンシャルによる結合破壊と生成をほぼ第一原理精度で観測した。
  論文  参考訳（メタデータ） (2025-10-13T20:44:54Z)
• Resolving Memorization in Empirical Diffusion Model for Manifold Data in High-Dimensional Spaces [5.716752583983991]
  データ分布がn個の点からなる場合、経験的拡散モデルは既存のデータ点を再現する傾向がある。 本研究は,経験的拡散シミュレーションの最後に慣性更新を適用することで,記憶の問題を解くことができることを示す。 このモデルから得られたサンプルの分布は、次元$d$の$C2$多様体上の真のデータ分布を、位数$O(n-frac2d+4)$のWasserstein-1距離内で近似することを示した。
  論文  参考訳（メタデータ） (2025-05-05T09:40:41Z)
• Boosting Diffusion Models with Moving Average Sampling in Frequency Domain [101.43824674873508]
  拡散モデルは、現在のサンプルに頼って次のサンプルをノイズ化し、おそらく不安定化を引き起こす。 本稿では,反復的復調過程をモデル最適化として再解釈し,移動平均機構を利用して全ての先行サンプルをアンサンブルする。 周波数領域における平均サンプリング(MASF)の動作」という完全なアプローチを命名する。
  論文  参考訳（メタデータ） (2024-03-26T16:57:55Z)
• Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
  反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。 提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
  論文  参考訳（メタデータ） (2024-02-09T01:11:23Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Blackout Diffusion: Generative Diffusion Models in Discrete-State Spaces [0.0]
  前方拡散過程における任意の離散状態マルコフ過程の理論的定式化を開発する。 例えばBlackout Diffusion'は、ノイズからではなく、空のイメージからサンプルを生成することを学習する。
  論文  参考訳（メタデータ） (2023-05-18T16:24:12Z)

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。