論文の概要: Closing the Approximation Gap in Simulation-free Latent SDEs

• arxiv url: http://arxiv.org/abs/2606.16138v1
• Date: Mon, 15 Jun 2026 02:55:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.044185
• Title: Closing the Approximation Gap in Simulation-free Latent SDEs
• Title（参考訳）: シミュレーション不要遅延SDEにおける近似ギャップの閉鎖
• Authors: Henry D. Smith, Brian L. Trippe, Scott W. Linderman,
• Abstract要約: シミュレーションのない VI アルゴリズムである Helmholtz-SDE を提案する。 我々は,Helmholtz-SDEが従来のシミュレーションのない手法よりもより忠実にダイナミクスを回復することを示す。
• 参考スコア（独自算出の注目度）: 12.473975230676642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering dynamical systems from noisy observations is a recurring challenge across scientific domains, including neuroscience and physics. Latent stochastic differential equations (SDEs) address this by modeling the system as an unobserved state that evolves according to a learnable SDE and generates the observations. Variational inference (VI) provides a tractable objective for fitting latent SDEs. Traditional VI algorithms evaluate this objective by numerical simulation over a time discretization, trading fidelity for computational cost. A recent class of algorithms, simulation-free VI, sidesteps this tradeoff by parameterizing the posterior through its instantaneous marginals rather than its drift. In this work, we show that the efficiency of existing simulation-free VI algorithms comes at a price: their parameterizations restrict the approximate posterior to a subset of the SDEs available to simulation-based methods, degrading posterior inference and parameter learning. We propose Helmholtz-SDE, a simulation-free VI algorithm that closes this gap by optimizing over path laws compatible with a prescribed collection of marginals. Helmholtz-SDE recovers dynamics more faithfully than prior simulation-free methods, with the largest gains under high posterior uncertainty. It further matches the performance of simulation-based VI at a fraction of the runtime.
• Abstract（参考訳）: ノイズの多い観測から力学系を復元することは、神経科学や物理学を含む科学領域で繰り返される課題である。 潜在確率微分方程式(SDE)は、学習可能なSDEに従って進化し、観測を生成する未観測状態としてシステムをモデル化することでこの問題に対処する。 変分推論(VI)は、潜伏SDEを適合させるためのトラクタブルな目的を提供する。 従来のVIアルゴリズムはこの目的を時間離散化の数値シミュレーションにより評価し、計算コストのトレーディングフィリティを評価する。 シミュレーションなしのVIという最近のアルゴリズムのクラスは、ドリフトよりも後端の端点をパラメータ化することで、このトレードオフを助長している。 本研究では,シミュレーションベースの手法で利用可能なSDEのサブセットに対して,パラメータ化によって近似後部を制限し,後部推論とパラメータ学習を劣化させるという,既存のシミュレーションフリーVIアルゴリズムの効率性を示す。 シミュレーションのない VI アルゴリズムである Helmholtz-SDE を提案する。 Helmholtz-SDEは、従来のシミュレーションのない手法よりも、より忠実にダイナミクスを回復する。 さらに、シミュレーションベースのVIのパフォーマンスを、ランタイムのごく一部で一致させる。

関連論文リスト

• Variational Smoothing and Inference for SDEs from Sparse Data with Dynamic Neural Flows [2.9746075314244376]
  本研究では, 部分的に観測された系における後方微分方程式(SDE)の平滑化手法を開発した。 我々は、支配的PDEと観察誘発ジャンプ条件の両方を満たすために訓練されたニューラルネットワークを用いて、この条件スコアを学習する。 得られたスコアは、同じ拡散係数を持つ後部SDEを誘導するが、修正されたドリフトを誘導し、効率的な後部軌道を可能にする。
  論文  参考訳（メタデータ） (2026-05-07T02:47:06Z)
• Self-Supervised Coarsening of Unstructured Grid with Automatic Differentiation [55.88862563823878]
  本研究では,微分可能物理の概念に基づいて,非構造格子を階層化するアルゴリズムを提案する。 多孔質媒質中のわずかに圧縮可能な流体流を制御した線形方程式と波動方程式の2つのPDE上でのアルゴリズムの性能を示す。 その結果,検討したシナリオでは,関心点におけるモデル変数のダイナミクスを保ちながら,格子点数を最大10倍に削減した。
  論文  参考訳（メタデータ） (2025-07-24T11:02:13Z)
• SING: SDE Inference via Natural Gradients [0.0]
  本稿では,SDE推論を自然勾配(Sing)を用いて提案し,モデルと変分後部の基底幾何学を効率的に活用する。 SINGは、難解な積分を近似し、計算を時間内に並列化することにより、潜在SDEモデルの高速かつ信頼性の高い推論を可能にする。 SINGは、様々なデータセットにおける状態推定とドリフト推定において、先行手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-21T19:36:11Z)
• SDE Matching: Scalable and Simulation-Free Training of Latent Stochastic Differential Equations [2.1779479916071067]
  SDEマッチング(SDE Matching)を提案する。 以上の結果から,SDEマッチングは随伴感度法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2025-02-04T16:47:49Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Stochastic Normalizing Flows [52.92110730286403]
  微分方程式(SDE)を用いた最大推定と変分推論のための正規化フロー(VI)を導入する。 粗い経路の理論を用いて、基礎となるブラウン運動は潜在変数として扱われ、近似され、神経SDEの効率的な訓練を可能にする。 これらのSDEは、与えられたデータセットの基盤となる分布からサンプリングする効率的なチェーンを構築するために使用することができる。
  論文  参考訳（メタデータ） (2020-02-21T20:47:55Z)

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。