論文の概要: Stop the Sampler! Classifier-Based Adaptive Stopping for Sampling Kernels

• arxiv url: http://arxiv.org/abs/2606.16073v1
• Date: Mon, 15 Jun 2026 00:18:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.018643
• Title: Stop the Sampler! Classifier-Based Adaptive Stopping for Sampling Kernels
• Title（参考訳）: サンプリング器の停止! 分類器に基づくサンプリングカーネルの適応停止
• Authors: Kirill Korolev, Nikita Morozov, Stepan Pavlenko, Esmeralda S. Whitammer, Sergey Samsonov,
• Abstract要約: 本稿では,軌道終端をサンプリング力学の学習可能なコンポーネントとして扱う新しいフレームワークを提案する。 非環状生成流ネットワーク(GFlowNets)の理論内でMCMCをフレーミングすることにより、状態依存型ニューラル分類器を訓練し、軌道が高密度領域に達して終了するかどうかを判断する。
• 参考スコア（独自算出の注目度）: 7.242772259736366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sampling from complex, unnormalized probability densities is a fundamental challenge in Bayesian inference and probabilistic modeling. While Markov chain Monte Carlo (MCMC) methods provide asymptotic guarantees, they often suffer from slow mixing and high computational costs due to fixed or manually tuned trajectory lengths. In this work, we propose a novel framework that treats trajectory termination as a learnable component of the sampling dynamics. By framing MCMC within the theory of non-acyclic generative flow networks (GFlowNets), we train state-dependent neural classifiers to decide when a trajectory has reached a high-density region and should terminate. We theoretically establish the connection between optimal classifiers and the target density via detailed balance conditions and introduce a multilevel training scheme to facilitate exploration in complex geometries. Experimental results across various benchmark densities demonstrate that our approach significantly reduces average trajectory lengths while improving mode coverage and mixing compared to standard MCMC baselines.
• Abstract（参考訳）: 複素非正規化確率密度からサンプリングすることはベイズ予想と確率的モデリングにおける根本的な挑戦である。 マルコフ連鎖モンテカルロ (MCMC) 法は漸近的な保証を提供するが、固定または手動で調整された軌道長によって、遅い混合と高い計算コストに悩まされることが多い。 本研究では,軌道終端をサンプリングダイナミクスの学習可能なコンポーネントとして扱う新しいフレームワークを提案する。 非環状生成流ネットワーク(GFlowNets)の理論内でMCMCをフレーミングすることにより、状態依存型ニューラル分類器を訓練し、軌道が高密度領域に達して終了するかどうかを判断する。 理論的には、最適分類器と目標密度の接続を詳細なバランス条件で確立し、複雑な地形の探索を容易にするためのマルチレベルトレーニングスキームを導入する。 提案手法は, 標準MCMCベースラインと比較して, モードカバレッジと混合性を改善しつつ, 平均軌道長を著しく低減することを示した。

関連論文リスト

• TFTF: Training-Free Targeted Flow for Conditional Sampling [1.4151684142137693]
  重要度サンプリングに基づくフローマッチングモデルのための訓練不要条件付きサンプリング手法を提案する。 重要サンプリングのネーブ適用は高次元環境における重み付けに苦しむため, 連続モンテカルロにおける再サンプリング手法を改良し, 取り入れる。 私たちのフレームワークは、理論上の正確性を確保しながら、追加のトレーニングを必要としません。
  論文  参考訳（メタデータ） (2026-02-13T13:41:35Z)
• SCORENF: Score-based Normalizing Flows for Sampling Unnormalized distributions [5.204468049641428]
  正規化フローアーキテクチャ上に構築されたスコアベースの学習フレームワークであるScoreNFを提案する。 ScoreNFは訓練アンサンブルが小さい場合でも高い性能を維持していることを示す。 また,モード被覆とモード崩壊の挙動を評価する手法を提案する。
  論文  参考訳（メタデータ） (2025-10-24T10:43:19Z)
• Reinforced sequential Monte Carlo for amortised sampling [49.92678178064033]
  我々は、最大エントロピー強化学習(MaxEnt RL)により訓練されたシーケンシャルモンテカルロ(SMC)とニューラルシーケンシャルサンプリングとの接続を述べる。 本稿では,提案関数とツイスト関数の安定な連成訓練手法と,トレーニング信号のばらつきを低減するための適応重み付け方式について述べる。
  論文  参考訳（メタデータ） (2025-10-13T17:59:11Z)
• Learning Discrete Bayesian Networks with Hierarchical Dirichlet Shrinkage [52.914168158222765]
  我々はDBNを学習するための包括的なベイズ的フレームワークについて詳述する。 我々は、並列ランゲヴィン提案を用いてマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを新たに提案し、正確な後続サンプルを生成する。 原発性乳癌検体から予後ネットワーク構造を明らかにするために本手法を適用した。
  論文  参考訳（メタデータ） (2025-09-16T17:24:35Z)
• Sampling by averaging: A multiscale approach to score estimation [4.003851730099099]
  複雑で正規化されていないターゲット分布から,マルチスケールのダイナミックスを活用することで,効率的なサンプリングを行うための新しいフレームワークを提案する。 MultALMCとMultCDiffの2つのアルゴリズムが開発された。 このフレームワークは、学生のtベースのノイズモデルと調整された高速プロセスダイナミクスを用いて、重次元のターゲット分布を扱うように拡張されている。
  論文  参考訳（メタデータ） (2025-08-20T21:09:34Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)
• Accelerating MCMC algorithms through Bayesian Deep Networks [7.054093620465401]
  マルコフ・チェイン・モンテカルロ(MCMC)アルゴリズムは、複雑な確率分布のサンプリングにおいて、その汎用性のために一般的に用いられる。 分布の次元が大きくなるにつれて、サンプリング空間を十分に探索する計算コストが困難になる。 マルコフ連鎖の最初の提案としてベイズニューラルネットワークの結果を用いて適応MCMCを実行する方法を示す。
  論文  参考訳（メタデータ） (2020-11-29T04:29:00Z)

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。