Fugu-MT 論文翻訳(概要): Tweedie's Formulae and Diffusion Generative Models Beyond Gaussian

論文の概要: Tweedie's Formulae and Diffusion Generative Models Beyond Gaussian

arxiv url: http://arxiv.org/abs/2605.19391v1
Date: Tue, 19 May 2026 05:36:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-20 15:03:09.144075
Title: Tweedie's Formulae and Diffusion Generative Models Beyond Gaussian
Title（参考訳）: ツイーディの公式と拡散生成モデル
Authors: Wenpin Tang, Nizar Touzi, Zikun Zhang, Xun Yu Zhou,
Abstract要約: 我々は、ツイーディの公式をブラウン運動(GBM)、二乗ベッセル(BESQ)、コックス・インガーソル・ロス(CIR)を含む重要な非ガウス過程に拡張する。次に、GBMおよびCIRに基づく拡散モデルを用いた画像および財務時系列生成と、BESQ設定による経験的ベイズ推定に適用する。
参考スコア（独自算出の注目度）: 9.109662652648048
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diffusion models have achieved remarkable success in generating samples from unknown data distributions. Most popular stochastic differential equation-based diffusion models perturb the target distribution by adding Gaussian noise, transforming it into a simple prior, and then use denoising score matching, a consequence of Tweedie's formula, to learn the score function and generate clean samples from noise. However, non-Gaussian diffusion models with state-dependent diffusion coefficient have been largely underexplored, as have the corresponding Tweedie's formulae. In this work, we extend Tweedie's formula to important non-Gaussian processes, including geometric Brownian motion (GBM), squared Bessel (BESQ) processes, and Cox-Ingersoll-Ross (CIR) processes, thereby yielding the corresponding denoising score-matching objectives. We then apply the derived formulae to image and financial time series generation using GBM- and CIR-based diffusion models, and to empirical Bayes estimation under the BESQ setting. The reported experimental results demonstrate the potential of non-Gaussian models.
Abstract（参考訳）: 拡散モデルは未知のデータ分布からサンプルを生成することに成功している。最も一般的な確率微分方程式に基づく拡散モデルは、ガウス雑音を加え、それを単純な事前に変換し、ツイーディの公式の結果であるデノナイジングスコアマッチングを用いて、スコア関数を学習し、ノイズからクリーンサンプルを生成することによって、目標分布を摂動させる。しかし、状態依存拡散係数を持つ非ガウス拡散モデルは、対応するツイーディの公式と同様に、ほとんど未発見である。本研究では、ツイーディの公式を、幾何学的ブラウン運動(GBM)、正方形ベッセル(BESQ)過程、コックス・インガーソル・ロス(CIR)過程を含む重要な非ガウス過程に拡張し、対応するスコアマッチングの目的を導出する。次に、GBMおよびCIRに基づく拡散モデルを用いた画像および財務時系列生成と、BESQ設定による経験的ベイズ推定に適用する。報告された実験結果は、非ガウスモデルの可能性を示している。

関連論文リスト

To smooth a cloud or to pin it down: Guarantees and Insights on Score Matching in Denoising Diffusion Models [20.315727650065007]
微分拡散モデル(Denoising diffusion model)は、最近多くの領域で最先端の結果を得た生成モデルのクラスである。我々は、F"ollmer flow"に似た既知の接続を利用して、F"ollmer drift"の確立されたニューラルネットワーク近似結果を拡張し、拡散モデルとサンプリング器をデノナイズする。
論文参考訳（メタデータ） (2023-05-16T16:56:19Z)
Denoising Diffusion Samplers [41.796349001299156]
拡散モデルの認知は、多くの領域で最先端の結果を提供する生成モデルの一般的なクラスである。我々は、非正規化確率密度関数から大まかにサンプリングし、それらの正規化定数を推定する類似のアイデアを探求する。この文脈ではスコアマッチングは適用できないが、モンテカルロサンプリングのために生成的モデリングで導入された多くのアイデアを利用することができる。
論文参考訳（メタデータ） (2023-02-27T14:37:16Z)
Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文参考訳（メタデータ） (2023-02-14T23:50:53Z)
Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文参考訳（メタデータ） (2022-11-30T05:33:29Z)
Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
論文参考訳（メタデータ） (2022-10-11T15:53:52Z)
Generative Modeling with Denoising Auto-Encoders and Langevin Sampling [88.83704353627554]
DAEとDSMの両方がスムーズな人口密度のスコアを推定することを示した。次に、この結果をarXiv:1907.05600のホモトピー法に適用し、その経験的成功を理論的に正当化する。
論文参考訳（メタデータ） (2020-01-31T23:50:03Z)

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。