論文の概要: Geometry Adaptive Counterfactual Distribution Learning with Diffusion-Guided Smoothing
- arxiv url: http://arxiv.org/abs/2605.25811v1
- Date: Mon, 25 May 2026 13:02:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:20.057018
- Title: Geometry Adaptive Counterfactual Distribution Learning with Diffusion-Guided Smoothing
- Title（参考訳）: 拡散誘導平滑化による幾何学的対実分布学習
- Authors: Kwangho Kim,
- Abstract要約: 標準等方的平滑化はすべての環境方向を等しく扱い、好ましくないスケーリングと不安定な局所的推論をもたらす。
半パラメトリックなデバイアスに基づく2つの拡散誘導型推定器を提案する: 拡散インフォームド・スムースメントは反ファクト的な密度に対して、拡散インフォームド・スコアスムースリングは反ファクト的なスコアに対して、拡散インフォームド・スコアスムースリングである。
- 参考スコア（独自算出の注目度）: 4.727838288363022
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study counterfactual distribution learning for high-dimensional outcomes whose counterfactual law may concentrate near lower-dimensional structure. Standard isotropic smoothing treats all ambient directions equally, leading to unfavorable scaling and unstable local inference. We propose two diffusion-guided estimators based on semiparametric debiasing: diffusion-informed smoothing for counterfactual densities and diffusion-informed score smoothing for counterfactual scores. The estimators combine causal nuisance adjustment with geometry-adaptive localization driven by diffusion score information, removing first-order nuisance bias while aligning smoothing with local outcome geometry. We establish asymptotic expansions, risk bounds, and inference procedures for smoothed density and score-based targets, with ambient density inference obtained under additional approximation conditions. Under structural geometry conditions, the leading stochastic error is governed by an effective dimension induced by the diffusion-guided kernel, rather than by the ambient dimension. Semi-synthetic experiments based on CelebA show steeper error decay for geometry-adaptive methods, supporting the proposed effective-dimension theory.
- Abstract（参考訳）: 本研究では, 反実法則が低次元構造近傍に集中できる高次元結果に対する反実的分布学習について検討した。
標準等方的平滑化はすべての環境方向を等しく扱い、好ましくないスケーリングと不安定な局所的推論をもたらす。
半パラメトリックなデバイアスに基づく2つの拡散誘導型推定器を提案する: 拡散インフォームド・スムースメントは反ファクト的な密度に対して、拡散インフォームド・スコアスムースメントは反ファクト的なスコアに対して、拡散インフォームド・スコアスムースリングである。
推定器は、因果ニュアンス調整と拡散スコア情報により駆動される幾何適応的な位置決めを組み合わせ、局所的な結果幾何とスムーズな調整をしながら一階ニュアンスバイアスを除去する。
我々は, 漸近的拡張, リスクバウンド, およびスムーズな密度とスコアに基づく目標に対する推論手順を確立し, 追加の近似条件下での環境密度推定を行う。
構造幾何学的条件下では、先行確率誤差は、周囲次元ではなく拡散誘導核によって誘導される実効次元によって支配される。
CelebAに基づく半合成実験は、幾何適応法に対してより急激な誤差崩壊を示し、提案された有効次元理論を支持する。
関連論文リスト
- Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
拡散モデルは、顕著な品質で高次元データを生成する。
彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。
我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
論文 参考訳（メタデータ） (2026-05-16T16:51:10Z) - Geometry-Aware Discretization Error of Diffusion Models [24.297736470921915]
固定された推論予算の下では、限られた数のdenoisingステップだけを使用して、リバースタイムODEまたはSDEをシミュレートする必要がある。
既存の非漸近解析は収束保証を提供するが、一般的には拡散パラメータに敏感すぎるため、実用的な設計を導くことができない。
オイラー・丸山弱度とフレシェの離散化誤差の1次展開を導出する。
論文 参考訳（メタデータ） (2026-05-08T19:02:21Z) - Causality-Encoded Diffusion Models for Interventional Sampling and Edge Inference [12.531769483039405]
本稿では,有向非巡回グラフを組み込んだ因果符号化拡散フレームワークを提案する。
得られたサンプリング器は、観測分布をほぼ復元し、介入サンプリングを可能にする。
フローデータへの適用は,提案手法の有効性を実証するものである。
論文 参考訳（メタデータ） (2026-04-23T16:32:49Z) - Beyond Consistency: Inference for the Relative risk functional in Deep Nonparametric Cox Models [7.2275111013288535]
Coxをベースとした最適化誤差が、部分的可能性の下で集団リスクにどのように伝播するかは明らかでない。
また、ポイントワイドバイアスがどのように制御できるのか、またアンサンブルに基づく不確実性が現実的な分散体制の下でどのように振る舞うのかも不明である。
これらの問題に対処するディープコックス推定器の分布理論を開発する。
論文 参考訳（メタデータ） (2026-03-25T01:43:12Z) - Flow Matching is Adaptive to Manifold Structures [32.55405572762157]
フローマッチングは拡散に基づく生成モデルに代わるシミュレーションベースである。
フローマッチングがデータ幾何学にどのように適応し、次元の呪いを回避するかを示す。
論文 参考訳（メタデータ） (2026-02-25T23:52:32Z) - Revisiting Zeroth-Order Optimization: Minimum-Variance Two-Point Estimators and Directionally Aligned Perturbations [57.179679246370114]
乱摂動の分布は, 摂動段差がゼロになる傾向にあるため, 推定子の分散を最小限に抑える。
以上の結果から, 一定の長さを維持するのではなく, 真の勾配に方向を合わせることが可能であることが示唆された。
論文 参考訳（メタデータ） (2025-10-22T19:06:39Z) - Learning over von Mises-Fisher Distributions via a Wasserstein-like Geometry [0.0]
我々は、フォン・ミセス・フィッシャー(vMF)分布の族に対する幾何対応距離計量を導入する。
最適輸送の理論により、2つの vMF 分布間の相違を2つの解釈可能な成分に分解するワッサーシュタインのような距離を提案する。
論文 参考訳（メタデータ） (2025-04-19T03:38:15Z) - Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。
我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文 参考訳（メタデータ） (2023-10-30T21:27:53Z) - Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。
実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
論文 参考訳（メタデータ） (2023-03-03T11:31:55Z) - Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳（メタデータ） (2023-02-14T17:02:35Z) - Distributed Sketching for Randomized Optimization: Exact
Characterization, Concentration and Lower Bounds [54.51566432934556]
我々はヘシアンの形成が困難である問題に対する分散最適化法を検討する。
ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。
論文 参考訳（メタデータ） (2022-03-18T05:49:13Z)
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。