論文の概要: Free Energy Manifold: Score-Based Inference for Hybrid Bayesian Networks

• arxiv url: http://arxiv.org/abs/2605.09839v1
• Date: Mon, 11 May 2026 00:43:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.445826
• Title: Free Energy Manifold: Score-Based Inference for Hybrid Bayesian Networks
• Title（参考訳）: 自由エネルギー多様体:ハイブリッドベイズネットワークのためのスコアベース推論
• Authors: Cheol Young Park, Shou Matsumoto,
• Abstract要約: フリーエナジー・マニフォールド(Free Energy Manifold、FEM)は、離散変数と連続変数を持つハイブリッドベイズネットワークにおける推論に特化した、スコアトレーニングされた条件エネルギーモデルである。 FEMは、各条件因子を学習された個別の埋め込みと連続的な観察のエネルギーランドスケープとして表現している。
• 参考スコア（独自算出の注目度）: 0.04910937238451484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce the Free Energy Manifold (FEM), a score-trained conditional energy model specialized for inference in hybrid Bayesian networks with discrete and continuous variables. FEM represents each conditional factor as an energy landscape over learned discrete-parent embeddings and continuous observations, enabling posterior evaluation, generative sampling, and compositional inference across multiple continuous leaves by energy addition under conditional independence. A central finding is the mode-bridge artifact: standard conditional energy models can create low-energy ridges between separated modes of the same class, producing overconfident posteriors at off-data interior points. We analyze this failure and propose valley regularization, an off-data calibration term that restores near-uniform posteriors in such regions while preserving in-data fit. Across synthetic multimodal hybrid-BN benchmarks, FEM substantially reduces KL divergence relative to classical baselines and a vanilla conditional EBM, including large gains at mode-bridge midpoint queries and in multi-leaf evidence composition. We also evaluate high-cardinality discrete-parent settings and a UCI Breast Cancer sanity check, showing that FEM is most useful when multimodal or compositional Bayesian-network inference is required, while discriminative classifiers remain preferable for closed-world classification tasks.
• Abstract（参考訳）: 本稿では、離散変数と連続変数を持つハイブリッドベイズネットワークにおける推論に特化した、スコアトレーニングされた条件付きエネルギーモデルであるFree Energy Manifold (FEM)を紹介する。 FEMは、各条件因子を、学習された個別の埋め込みと連続的な観察のエネルギーランドスケープとして表現し、条件付き独立の下でのエネルギー付加による複数の連続葉の後方評価、生成サンプリング、構成推論を可能にする。 標準条件エネルギーモデルは、同じクラスの分離されたモード間で低エネルギーの隆起を発生させ、オフデータインテリアポイントにおいて過信な後部を生成する。 この故障を解析し,データ整合性を維持しつつ,その領域のほぼ均一な後部を復元するオフデータ校正項であるバレー正則化を提案する。 合成マルチモーダルハイブリットBNベンチマーク全体において、FEMは古典的ベースラインとバニラ条件ESMに対するKLのばらつきを著しく低減し、モデムブリッジ中間点クエリやマルチリーフエビデンス構成において大きな利得を与える。 また,マルチモーダルもしくは構成ベイズネットワークの推論が必要な場合,FEMが最も有用であるのに対して,識別型分類器はクローズドワールドの分類タスクに好適であることを示す。

関連論文リスト

• Manifold-Constrained Energy-Based Transition Models for Offline Reinforcement Learning [13.92596311376194]
  我々は、多様体射影-拡散負のサンプルを用いた条件付きエネルギーベース遷移モデルを訓練する。 MC-ETMは次の状態の潜在多様体を学習し、ほぼ1次元の強陰性を生成する。 我々は,MC-ETM をハイブリッド悲観的 MDP の定式化により定式化し,非サポート評価誤差をトランケーションリスクから分離した保守的性能を導出する。
  論文  参考訳（メタデータ） (2026-02-02T23:15:43Z)
• Energy-Guided Flow Matching Enables Few-Step Conformer Generation and Ground-State Identification [45.52894539097255]
  本稿では,明示的な学習エネルギーモデルとフローマッチングを結合する統合フレームワークであるEnFlowを紹介する。 サンプリング中にエネルギー段階的な誘導を取り入れることで,低エネルギー領域への軌道を導出する。 さらに、学習したエネルギー関数は、生成したアンサンブルの効率的なエネルギーベースのランク付けを可能にし、正確な基底状態の同定を可能にする。
  論文  参考訳（メタデータ） (2025-12-27T14:00:22Z)
• Particle Dynamics for Latent-Variable Energy-Based Models [12.84928511163926]
  潜時変動エネルギーベースモデル(LVEBM)は、観測されたデータと潜時変数の結合対に1つの正規化されたエネルギーを割り当てる。 我々は,潜伏勾配と関節勾配の分布に関するサドル問題として,最大様態訓練を再検討した。 我々は、KL分散とワッサーシュタイン2距離における崩壊率を用いて、標準の滑らかさと解離性仮定の下での存在と収束を証明した。
  論文  参考訳（メタデータ） (2025-10-17T09:04:49Z)
• Metriplectic Conditional Flow Matching for Dissipative Dynamics [5.920407670799846]
  条件付きフローマッチングは 第一原理に違反することなく 散逸力学を学習する MCFMは短いトランジションで条件付きフローマッチングを通し、長いロールアウトの隣り合わせを避ける。 我々は、このパラメータ化とサンプリングを保存、単調散逸、安定したロールアウトにリンクする連続的かつ離散的な時間保証を提供する。
  論文  参考訳（メタデータ） (2025-09-23T19:46:54Z)
• Learning Energy-Based Generative Models via Potential Flow: A Variational Principle Approach to Probability Density Homotopy Matching [9.12119858170289]
  エネルギーベースモデル(EBMs)は確率的生成モデルの強力なクラスである。 本稿では,新しいエネルギーベース生成フレームワークVPFBを提案する。
  論文  参考訳（メタデータ） (2025-04-22T20:39:07Z)
• Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
  連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。 本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。 我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
  論文  参考訳（メタデータ） (2024-10-03T09:07:13Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• GFlowNet-EM for learning compositional latent variable models [115.96660869630227]
  ラテントの後方のモデリングにおける重要なトレードオフは、表現性とトラクタブルな最適化の間にある。 非正規化密度からサンプリングするアルゴリズムであるGFlowNetsを提案する。 GFlowNetsをトレーニングして、後部から潜伏者へのサンプルをトレーニングすることにより、それらの強度をアモータライズされた変分アルゴリズムとして活用する。
  論文  参考訳（メタデータ） (2023-02-13T18:24:21Z)
• Pseudo-Spherical Contrastive Divergence [119.28384561517292]
  エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。 PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
  論文  参考訳（メタデータ） (2021-11-01T09:17:15Z)
• Training Deep Energy-Based Models with f-Divergence Minimization [113.97274898282343]
  深部エネルギーベースモデル(EBM)は分布パラメトリゼーションにおいて非常に柔軟であるが、計算的に困難である。 所望のf偏差を用いてEMMを訓練するための、f-EBMと呼ばれる一般的な変分フレームワークを提案する。 実験の結果,F-EBMは対照的なばらつきよりも優れており,KL以外のf-divergencesを用いたEBMの訓練の利点も示された。
  論文  参考訳（メタデータ） (2020-03-06T23:11:13Z)

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。