論文の概要: Conditional Diffusion Sampling

• arxiv url: http://arxiv.org/abs/2605.04013v1
• Date: Tue, 05 May 2026 17:36:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:44.066023
• Title: Conditional Diffusion Sampling
• Title（参考訳）: 条件拡散サンプリング
• Authors: Francisco M. Castro-Macías, Pablo Morales-Álvarez, Saifuddin Syed, Daniel Hernández-Lobato, Rafael Molina, José Miguel Hernández-Lobato,
• Abstract要約: Conditional Diffusion Samplingは並列テンパリングと拡散に基づくアプローチを組み合わせたフレームワークである。 本報告では, 試料品質と密度評価コストのトレードオフが, 最先端の試料装置と比較して優れていることを示す。
• 参考スコア（独自算出の注目度）: 34.49400063747567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sampling from unnormalized multimodal distributions with limited density evaluations remains a fundamental challenge in machine learning and natural sciences. Successful approaches construct a bridge between a tractable reference and the target distribution. Parallel Tempering (PT) serves as the gold standard, while recent diffusion-based approaches offer a continuous alternative at the cost of neural training. In this work, we introduce Conditional Diffusion Sampling (CDS), a framework that combines these two paradigms. To this end, we derive Conditional Interpolants, a class of stochastic processes whose transport dynamics are governed by an exact, closed-form stochastic differential equation (SDE), requiring no neural approximation. Although these dynamics require sampling from a non-trivial initialization distribution, we show both theoretically and empirically that the cost of this initialization diminishes for sufficiently short diffusion times. CDS leverages this by a two-stage procedure: (1) PT is used to efficiently sample the initial distribution, and then (2) samples are transported via the transport SDE. This combination couples the robust global exploration of PT with efficient local transport. Experiments suggest that CDS has the potential to achieve a superior trade-off between sample quality and density evaluation cost compared to state-of-the-art samplers.
• Abstract（参考訳）: 密度評価が限定された非正規化マルチモーダル分布からのサンプリングは、機械学習と自然科学の根本的な課題である。 成功したアプローチは、トラクタブル参照とターゲット分布の間のブリッジを構築する。 並列テンパリング(PT)はゴールドスタンダードとして機能し、最近の拡散ベースのアプローチは神経トレーニングのコストで継続的な代替手段を提供する。 本研究では,これら2つのパラダイムを組み合わせたCDS(Conditional Diffusion Sampling)を提案する。 この目的のために、我々は、輸送力学が正確な閉形式確率微分方程式(SDE)によって支配される確率過程のクラスである条件補間法を導出し、神経近似を必要としない。 これらのダイナミクスは、非自明な初期化分布からのサンプリングを必要とするが、この初期化のコストが十分に短い拡散時間で減少することを示す理論的および経験的の両方を示す。 CDSは、(1)PTを用いて初期分布を効率的にサンプリングし、(2)サンプルは輸送SDEを介して輸送される。 この組み合わせは、PTの堅牢なグローバル探索と効率的な局所輸送を結合する。 実験結果から,CDSは試料品質と密度評価コストのトレードオフに優れる可能性が示唆された。

関連論文リスト

• Adjoint Schrödinger Bridge Sampler [27.07623265593163]
  Adjoint Schr"odinger Bridge Sampler (ASBS) は、シンプルでスケーラブルなマッチングベースの目的を持つ新しい拡散サンプリングである。 ASBSはシュリンガー橋という数学的モデルに基づいており、速度論的・最適輸送によってサンプリング効率を高める。
  論文  参考訳（メタデータ） (2025-06-27T18:27:59Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Sequential Controlled Langevin Diffusions [94.82767690147865]
  2つの一般的な方法として,(1) 所定のマルコフ連鎖と再サンプリング工程を通した連続モンテカルロ (SMC) と,(2) 学習された動的輸送を用いる拡散に基づくサンプリング手法が最近開発された。 本稿では,SMC と拡散型サンプリング器を連続的に観察し,経路空間の測度を考慮し,SMC と拡散型サンプリング器を組み合わせるための基本的枠組みを提案する。 これは、従来の拡散のトレーニング予算の10%しか使用しない場合が多いが、これらの手法の利点を活用でき、複数のベンチマーク問題の性能向上に資するSCLD(Sequential Controlled Langevin Diffusion)サンプリング手法の成果である。
  論文  参考訳（メタデータ） (2024-12-10T00:47:10Z)
• Solving Prior Distribution Mismatch in Diffusion Models via Optimal Transport [24.90486913773359]
  近年,拡散モデル(DM)に関する知識は著しく増大しているが,いくつかの理論的なギャップが残っている。 本稿では、最適輸送(OT)理論と離散初期分布を持つDMとの深い関係について検討する。 拡散終了時間が増加するにつれて、確率フローは古典モンジュ・アンペア方程式の解の勾配に指数関数的に収束する。
  論文  参考訳（メタデータ） (2024-10-17T10:54:55Z)
• Space-Time Diffusion Bridge [0.4527270266697462]
  実確率分布から独立かつ同一に分布する新しい合成サンプルを生成する方法を提案する。 時空間次元にまたがる時空間混合戦略を用いる。 数値実験による時空拡散法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-13T23:26:11Z)
• 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)

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。