論文の概要: Generative Modeling of Discrete Latent Structures via Dynamic Policy Gradients

• arxiv url: http://arxiv.org/abs/2606.07400v1
• Date: Fri, 05 Jun 2026 15:41:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.831275
• Title: Generative Modeling of Discrete Latent Structures via Dynamic Policy Gradients
• Title（参考訳）: 動的ポリシー勾配による離散潜在構造の生成モデリング
• Authors: Stefan Ivanovic, Ge Liu, Mohammed El-Kebir,
• Abstract要約: 変分オートエンコーダのような深層学習のアプローチは、機械的な基底構造ではなく、人工的な潜在状態を形成するのが一般的である。 我々は,動的に再スケールされたグラフを用いて潜在状態分布を学習する,原則化されたポリシーフレームワークであるGReinSSを紹介した。 GReinSSは間接観測から潜在状態の生成と推定に有効である。
• 参考スコア（独自算出の注目度）: 7.16278619735062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many scientific problems require inferring unobserved mechanistic latent states from indirect observations. While classical approaches, including expectation maximization, do not scale to combinatorially large spaces, deep learning approaches such as variational autoencoders typically form artificial latent states rather than reconstructing the mechanistic ground-truth states. Here, we introduce GReinSS, a policy learning framework that uses dynamically rescaled rewards to learn latent state distributions that maximize the observed data likelihood. We show that GReinSS accurately reconstructs simulated latent sets and latent graphs, outperforming alternative policy learning and generative modeling baselines. Additionally, GReinSS reconstructs isoforms from real short-read RNA sequencing data that better match isoforms detected by orthogonal long-read sequencing than the standard RSEM algorithm. Overall, GReinSS is a principled and practically effective approach for generative modeling and inference of combinatorial latent states from indirect observations.
• Abstract（参考訳）: 多くの科学的問題は、間接的な観測から観測されていない機械的潜在状態を推定する必要がある。 期待の最大化を含む古典的アプローチは組合せ的に大きな空間にスケールしないが、変分オートエンコーダのような深層学習アプローチは、機械的基盤構造を再構築するよりも、一般的に人工的な潜在状態を形成する。 本稿では、動的に再スケールされた報酬を使用して、観測されたデータの可能性を最大化する潜在状態分布を学習するポリシー学習フレームワークであるGReinSSを紹介する。 GReinSSは、シミュレーションされた潜伏グラフと潜伏グラフを正確に再構成し、代替政策学習や生成モデルベースラインよりも優れていることを示す。 さらに、GReinSSは、標準RSEMアルゴリズムよりも直交長読シークエンシングによって検出されたアイソフォームに適合する実際の短読RNAシークエンシングデータからアイソフォームを再構成する。 全体として、GReinSSは、間接的な観測から合成潜在状態の生成と推測のための原則的かつ実用的なアプローチである。

関連論文リスト

• Adapting a Pre-trained Single-Cell Foundation Model to Spatial Gene Expression Generation from Histology Images [5.072469295071516]
  HINGE (HIstology-coNditioned GEneration) は、訓練済みの sc-FM を条件付き表現生成器に適合させる。 3つのSTデータセットに基づいて評価し、平均ピアソン相関に基づいて最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-03-20T08:52:39Z)
• Strong Linear Baselines Strike Back: Closed-Form Linear Models as Gaussian Process Conditional Density Estimators for TSAD [41.074068820031655]
  本研究は,OLS回帰法により得られる閉形式解を用いた単純な線形自己回帰異常スコアが,最先端の深部検出器と一貫して一致し,より優れることを示す。 理論的な観点から、線形モデルは、有限歴史ガウス過程条件密度を推定し、幅広い種類の異常型を捉えていることを示す。
  論文  参考訳（メタデータ） (2026-01-31T11:35:51Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• eXponential FAmily Dynamical Systems (XFADS): Large-scale nonlinear Gaussian state-space modeling [9.52474299688276]
  非線形状態空間グラフィカルモデルのための低ランク構造化変分オートエンコーダフレームワークを提案する。 我々のアプローチは、より予測的な生成モデルを学ぶ能力を一貫して示している。
  論文  参考訳（メタデータ） (2024-03-03T02:19:49Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• PAC Reinforcement Learning for Predictive State Representations [60.00237613646686]
  部分的に観察可能な力学系におけるオンライン強化学習(RL)について検討する。 我々は、他のよく知られたモデルをキャプチャする表現モデルである予測状態表現(PSR)モデルに焦点を当てる。 我々は,サンプル複雑性のスケーリングにおいて,ほぼ最適なポリシを学習可能な,PSRのための新しいモデルベースアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-07-12T17:57:17Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。