論文の概要: QDSB: Quantized Diffusion Schrödinger Bridges

• arxiv url: http://arxiv.org/abs/2605.11983v1
• Date: Tue, 12 May 2026 11:35:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.824102
• Title: QDSB: Quantized Diffusion Schrödinger Bridges
• Title（参考訳）: QDSB: 量子拡散シュレーディンガー橋
• Abstract要約: 本稿では,量子化拡散シュルディンガーブリッジ (QDSB) を提案する。 正規化最適結合は、アンカー近似の品質によって制御される誤差により、安定なw.r.t.アンカー量子化であることを示す。
• 参考スコア（独自算出の注目度）: 4.3331379059769395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning generative models in settings where the source and target distributions are only specified through unpaired samples is gaining in importance. Here, one frequently-used model are Schrödinger bridges (SB), which represent the most likely evolution between both endpoint distributions. To accelerate training, simulation-free SBs avoid the path simulation of the original SB models. However, learning simulation-free SBs requires paired data; a coupling of the source and target samples is obtained as the solution of the entropic optimal transport (OT) problem. As obtaining the optimal global coupling is infeasible in many practical cases, the entropic OT problem is iteratively solved on minibatches instead. Still, the repeated cost remains substantial and the locality can distort the global transport geometry. We propose quantized diffusion Schrödinger bridges (QDSB), which compute the endpoint coupling on anchor-quantized endpoint distributions and lift the resulting plan back to original data points through cell-wise sampling. We show that the regularized optimal coupling is stable w.r.t. anchor quantization, with an error controlled by the quality of the anchor approximation. In real-world experiments, QDSB matches the sample quality of existing baselines, requiring substantially less time. Code and data are available at github.com/mathefuchs/qdsb.
• Abstract（参考訳）: 未知のサンプルによってのみソースとターゲットの分布が特定されるような環境で生成モデルを学ぶことが重要になっている。 ここでよく使われるモデルの一つがシュレーディンガー橋(SB)であり、これは両端点分布間の最も起こりうる進化を表す。 トレーニングを加速するために、シミュレーション不要なSBは、元のSBモデルのパスシミュレーションを避ける。 しかし、シミュレーションのないSBの学習にはペアデータが必要であり、エントロピック最適輸送(OT)問題の解法として、ソースとターゲットサンプルの結合が得られる。 多くの場合において最適な大域的カップリングを得ることは不可能であるため、エントロピックOT問題は代わりにミニバッチ上で反復的に解決される。 それでも、繰り返し発生するコストは相当であり、局所性はグローバルな輸送幾何学を歪めることができる。 本稿では,量子化拡散シュレーディンガーブリッジ (QDSB) を提案する。 正規化最適結合は、アンカー近似の品質によって制御される誤差により、安定なw.r.t.アンカー量子化であることを示す。 実世界の実験では、QDSBは既存のベースラインのサンプル品質と一致し、時間を大幅に短縮する。 コードとデータはgithub.com/mathefuchs/qdsbで入手できる。

関連論文リスト

• One-Sided Quantile Coupling for Flow Matching [8.295726579539016]
  Flow Matching Train Continuous-time Generative Model by regressing the velocity field of a probability path between a simple source distribution and a target data distribution。 本稿では,データバッチのみをサンプリングし,各ペアソースを直接構築する軽量な一方結合であるQuantile Coupling Flow Matching (QC-FM)を提案する。 QC-FMはトレーニング予算に合わせてベースラインを改良し、FIDを最大12.9%削減し、4つのデータセットでOT-CFMを上回っている。
  論文  参考訳（メタデータ） (2026-08-02T04:03:59Z)
• Optimal Transport Flow Matching by Design [26.301026025241374]
  フローマッチングモデルは、単純な事前分布から複雑なデータ分布へサンプルを輸送することを学ぶ。 我々は、事前を固定入力ではなく設計選択として扱うことで問題を再構築する。 本手法は,既存の流れマッチング法と比較して,軌道曲率を2倍以上削減する。
  論文  参考訳（メタデータ） (2026-06-02T18:00:05Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• Multi-Fidelity Flow Matching: Cascaded Refinement of PDE Solutions [6.144605787421899]
  マルチフィデリティフローマッチング(Multi-Fidelity Flow Matching)は、PDEソリューションのためのカスケード改善フレームワークである。 我々はこれをPDEソリューションのカスケード改善フレームワークであるMulti-Fidelity Flow Matching (MFFM)で活用する。 MFFMは、クエリ毎に決定論的ネットワーク評価を$L$で最良グリッドに達するマルチグリッド改善の学習アナログである。
  論文  参考訳（メタデータ） (2026-05-15T16:02:18Z)
• Analytic Bridge Diffusions for Controlled Path Generation [0.0]
  現代の橋梁拡散法の多くは、目的を指定し、ニューラルネットワークを用いて関連するスコアやドリフトフィールドを学習することにより、有限時間輸送を実現する。 LQ-GM-PIDでは、線形2次制御のバックボーンを保持するが、端末状態制御を所定の端末確率密度で置き換える。 LQ-GM-PIDは橋梁拡散を終端目標マッチングツールから経路整形ツールに変える。
  論文  参考訳（メタデータ） (2026-05-03T05:36:52Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• Learnable Chernoff Baselines for Inference-Time Alignment [64.81256817158851]
  本稿では,指数関数的に傾いたカーネルから効率よく,およそサンプリングする方法として,Learnerable Chernoff Baselinesを紹介した。 理想的なモデルに対する全変量保証を確立し、LCBサンプリングが理想的拒絶サンプリングと密接に一致するような連続的および離散的な拡散設定を実証する。
  論文  参考訳（メタデータ） (2026-02-08T00:09:40Z)
• 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)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Localized Schrödinger Bridge Sampler [0.276240219662896]
  Schr"odinger ブリッジと Plug & play Langevin サンプルを併用した以前の作業の上に構築します。 これらのアプローチの重要なボトルネックは、必要なトレーニングサンプルの指数的依存である。 条件付き期待値の条件付き独立性を利用した局所化戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-12T12:02:51Z)
• Soft-constrained Schrodinger Bridge: a Stochastic Control Approach [4.922305511803267]
  シュル「オーディンガー橋」は、最適に制御された拡散過程を見つけることを目標とする連続時間制御問題と見なすことができる。 本稿では,両分布間のKulback-Leiblerの相違を罰し,端末分布を目標と異なるものにすることで,この問題を一般化することを提案する。 1つの応用は、堅牢な生成拡散モデルの開発である。
  論文  参考訳（メタデータ） (2024-03-04T04:10:24Z)
• Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
  シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。 本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。 特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
  論文  参考訳（メタデータ） (2023-07-07T15:42:35Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• The Schr\"odinger Bridge between Gaussian Measures has a Closed Form [101.79851806388699]
  我々は OT の動的定式化(Schr"odinger bridge (SB) 問題)に焦点を当てる。 本稿では,ガウス測度間のSBに対する閉形式表現について述べる。
  論文  参考訳（メタデータ） (2022-02-11T15:59:01Z)

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。