論文の概要: When, why, and how do diffusion posterior samplers fail? A finite-sample lens

• arxiv url: http://arxiv.org/abs/2605.30330v1
• Date: Thu, 28 May 2026 17:57:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.742126
• Title: When, why, and how do diffusion posterior samplers fail? A finite-sample lens
• Title（参考訳）: 拡散後サンプリング器はいつ、なぜ、どのように失敗するのか? : 有限サンプルレンズ
• Authors: Benjamin A. Burns, Sara Fridovich-Keil,
• Abstract要約: 後方サンプリングにおける有限サンプル視点を導入し,任意の精度で後方サンプリングを行う。 一般的な後方サンプリング近似は,中間段階における後方の拡散を過小評価または過小評価する傾向がある。 これらの後部誤差の原因は, 非線形測定モデルやマルチモーダル後部モデルを必要としないことが判明した。
• 参考スコア（独自算出の注目度）: 4.085626952545055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have excellent capacity to model complex distributions of natural data, which has made them a popular and effective choice for posterior sampling in imaging inverse problems. Existing methods can incorporate any measurement model at inference time but must use an inexact approximation for the likelihood at intermediate timesteps for computational tractability. Although these approximations can often work well empirically, their downstream effect on the sampled posterior is poorly understood and can result in unexplained failures. To understand when, why, and how these likelihood approximations propagate to erroneous posterior distributions, we introduce a finite-sample perspective on posterior sampling that approximates the posterior to arbitrary precision as training set size tends towards infinity, for any forward model and prior distribution. Using this finite-sample lens, we observe that popular posterior sampling approximations tend to under- or over-estimate the spread of the posterior at intermediate timesteps, causing downstream consequences including sensitivity to early stopping time, inaccurate relative weighting of posterior modes, and hallucination, both of prior modes that are not in the posterior and likelihood modes that are not supported by the prior. Moreover, we find that the cause of these posterior errors requires neither a nonlinear measurement model nor a multimodal posterior, but can arise solely due to a multimodal prior and inaccurate posterior spread at intermediate sampling times. Our finite-sample posterior sampling approach is agnostic to the type of likelihood approximation and the type of (linear or nonlinear) forward model, and can thus serve as a drop-in diagnostic to evaluate the accuracy and failure modes of existing and future posterior samplers.
• Abstract（参考訳）: 拡散モデルは、自然データの複雑な分布をモデル化する能力に優れており、画像逆問題における後方サンプリングに人気があり効果的な選択となっている。 既存の手法では、任意の測定モデルを推定時に組み込むことができるが、計算的トラクタビリティの中間段階における確率について、不正確な近似を使わなければならない。 これらの近似はしばしば経験的にうまく機能するが、サンプル化された後部への下流の影響は十分に理解されておらず、説明できない失敗をもたらす可能性がある。 そこで我々は, 任意の前方モデルと先行分布に対して, トレーニングセットのサイズが無限大に近づく傾向にあるため, 後方サンプリングに対する有限サンプル視点を導入する。 この有限サンプルレンズを用いて、一般的な後部サンプリング近似は、初期停止時間に対する感度、後部モードの不正確な相対重み付け、幻覚など、後部モードでサポートされない後部モードと後部モードでサポートされない幻覚などの下流結果をもたらす、中間段階における後部サンプリングの拡散を過小評価または過大評価する傾向があることを観察した。 さらに, これらの後部誤差の原因は, 非線形測定モデルもマルチモーダル後部モデルも必要とせず, 中間サンプリング時間における多重モーダル前部および不正確な後部拡散のためのみ発生する可能性がある。 我々の有限サンプル後部サンプリング手法は、確率近似のタイプと(線形または非線形)フォワードモデルに非依存であり、既存の後部サンプリング装置の精度と故障モードを評価するために、ドロップイン診断として機能する。

関連論文リスト

• Sample-efficient evidence estimation of score based priors for model selection [9.813689581505548]
  本稿では, 後方サンプリング手法の時間行列を積分することにより, 拡散のモデル証拠を推定する手法を提案する。 本手法は, 逆拡散サンプリングプロセスにおいて自然に得られた大量の中間試料を利用する。 適切な拡散モデルを事前に選択し、高度に条件の異なる非線形逆問題の下で事前不適合を診断することができる。
  論文  参考訳（メタデータ） (2026-02-24T05:06:46Z)
• Efficient Approximate Posterior Sampling with Annealed Langevin Monte Carlo [36.938523047101555]
  スコアベース生成モデルの文脈における後部サンプリングの問題について検討する。 我々は,KLの発散前とFisherの発散後とにおいて,ノイズの後部に近い分布から抽出できることを示す。
  論文  参考訳（メタデータ） (2025-08-11T05:25:24Z)
• Enhancing Diffusion Posterior Sampling for Inverse Problems by Integrating Crafted Measurements [46.03835001280626]
  現在の後方サンプリング法は、測定結果を後方サンプリングに取り込み、対象データの分布を推定する。 我々は,早期に高周波情報を早期に導入し,より大きな後部推定誤差を生じさせることを示す。 本稿では, 後方推定法として, 工法計測(逆演示法による雑音測定)を取り入れた新しい拡散後サンプリング法DPS-CMを提案する。
  論文  参考訳（メタデータ） (2024-11-15T00:06:57Z)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• Posterior samples of source galaxies in strong gravitational lenses with score-based priors [107.52670032376555]
  我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。 アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
  論文  参考訳（メタデータ） (2022-11-07T19:00:42Z)
• Instance-Optimal Compressed Sensing via Posterior Sampling [101.43899352984774]
  後部サンプリング推定器がほぼ最適回復保証を達成できることを示す。 本稿では,Langevin dynamics を用いた深部生成前駆体の後方サンプリング推定器を実装し,MAP よりも精度の高い推定値が得られることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-21T22:51:56Z)

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。