論文の概要: Scalable Inference-Time Annealing with Surrogate Likelihood Estimators

• arxiv url: http://arxiv.org/abs/2605.31498v2
• Date: Mon, 01 Jun 2026 06:34:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 18:24:16.932063
• Title: Scalable Inference-Time Annealing with Surrogate Likelihood Estimators
• Title（参考訳）: サロゲート近似を用いたスケーラブルな推論時間アニーリング
• Authors: Daniel Peñaherrera, Rishal Aggarwal, David Ryan Koes,
• Abstract要約: 計算化学と生物物理学における長年の課題は、ボルツマンの分子分布を効率的にサンプリングすることである。 従来のサンプリング手法の限界に対処するために、生成モデリングの進歩が提案されている。 本稿では,フローベースモデルを再学習し,徐々に低い温度でサンプルを生成する拡張型推論時間アニール法(SITA)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A long standing challenge in computational chemistry and biophysics is efficiently sampling the Boltzmann distribution of molecules. Advances in generative modeling have been proposed to address the limitations of conventional sampling techniques by eliminating the computational cost of simulation. A promising direction is iteratively finetuning diffusion models along a temperature ladder whereby training data is generated via importance sampling during inference-time annealing. Unfortunately, these methods require computing a divergence over the score field to estimate importance weights, rendering them intractable for larger systems. Here we present scalable inference-time annealing (SITA), which retrains flow-based models to generate samples at progressively lower temperatures using an energy-based model to facilitate fast surrogate likelihoods. We demonstrate state-of-the-art performance on both Alanine Dipeptide and Alanine Tripeptide while avoiding costly divergence terms. Our code is available at https://github.com/countrsignal/sita.git
• Abstract（参考訳）: 計算化学と生物物理学における長年の課題は、ボルツマンの分子分布を効率的にサンプリングすることである。 シミュレーションの計算コストを削減し, 従来のサンプリング手法の限界に対処するために, 生成モデリングの進歩が提案されている。 有望な方向は、温度勾配に沿って拡散モデルを反復的に微調整し、推論時アニール中の重要サンプリングによってトレーニングデータを生成する。 残念なことに、これらの手法は重要な重みを推定するためにスコアフィールド上の分岐を計算し、より大きなシステムでは引き付けることができない。 本稿では,フローベースモデルを再訓練し,エネルギーベースモデルを用いて徐々に低い温度でサンプルを生成し,高速なサロゲート可能性を実現する拡張型推論時アニール法(SITA)を提案する。 Alanine DipeptideとAlanine Tripeptideの両者の最先端性能について検討した。 私たちのコードはhttps://github.com/countrsignal/sita.gitで利用可能です。

関連論文リスト

• FALCON: Few-step Accurate Likelihoods for Continuous Flows [78.37361800856583]
  本稿では,FALCON(Few-step Accurate Likelihoods for Continuous Flows)を提案する。 FALCONは分子ボルツマンサンプリングのための最先端の正規化フローモデルより優れており、同等の性能を持つCNFモデルよりも2桁高速である。
  論文  参考訳（メタデータ） (2025-12-10T18:47:25Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Diffusion models for multivariate subsurface generation and efficient probabilistic inversion [0.0]
  拡散モデルは、深い生成モデリングタスクのための安定したトレーニングと最先端のパフォーマンスを提供する。 本稿では拡散モデルに固有のノイズ汚染を考慮した近似法を提案する。 統計的ロバスト性は有意に向上し, 後部確率密度関数のサンプリングが向上した。
  論文  参考訳（メタデータ） (2025-07-21T17:10:16Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
  事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。 本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-04T17:46:51Z)
• Improving Consistency Models with Generator-Augmented Flows [16.049476783301724]
  一貫性モデルは、ニューラルネットワークの単一前方通過におけるスコアベース拡散の多段階サンプリングを模倣する。 それらは、一貫性の蒸留と一貫性のトレーニングの2つの方法を学ぶことができる。 本稿では,一貫性モデルから得られたノイズデータを対応する出力へ転送する新しい流れを提案する。
  論文  参考訳（メタデータ） (2024-06-13T20:22:38Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)

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。