論文の概要: Volterra Generative Models

• arxiv url: http://arxiv.org/abs/2606.18071v1
• Date: Tue, 16 Jun 2026 15:40:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.521945
• Title: Volterra Generative Models
• Title（参考訳）: ボルテラ生成モデル
• Authors: Yusen Jia, Bingyan Han,
• Abstract要約: 本稿では,Volterra生成モデルについて紹介する。 我々は、二乗誤差境界を証明し、拡張線形ガウス前方過程を導出し、学習がデータ次元のままであることを示す。 MNISTとCIFAR-10の実験では、小さなマルコフリフトによる持続的な分数摂動がスコアベース生成を改善することが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Score-based diffusion models typically use Brownian perturbations, which provide tractable reverse-time dynamics but impose memoryless noising. We introduce Volterra generative models, a continuous-time score-based framework whose forward process injects path-dependent noise through fractional kernels. To handle the non-Markovian and non-semimartingale dynamics, we construct finite-dimensional Markovian lifts using Gaussian quadrature in both regimes and a hybrid finite-difference exponential approximation in the smooth regime. We prove squared error bounds, derive an augmented linear-Gaussian forward process, and show that the learning can remain data-dimensional by considering residual states and analytic auxiliary Gaussian scores. We also identify covariance and reverse-time degeneracies caused by shared Brownian factors and signed smooth-regime weights. The degeneracy motivates stabilized conditioning and, for stiff larger lifts, a Gaussian-bridge reconstruction sampler. Experiments on MNIST and CIFAR-10 show that persistent fractional perturbations with small Markovian lifts can improve score-based generation on MNIST and provide a promising extension to natural images, while the bridge sampler provides a stability mechanism for larger lifts.
• Abstract（参考訳）: スコアベースの拡散モデルは典型的にはブラウン摂動を用いており、トラクタブル・リバース・タイム・ダイナミクスを提供するが、メモリレスノイズを課す。 本稿では,Volterra生成モデルについて紹介する。 非マルコフ的および非半マルティンゲール力学を扱うために、両レジームにおけるガウス二次法と滑らかなレジームにおけるハイブリッド有限差分指数近似を用いて有限次元マルコフリフトを構築する。 我々は,2乗誤差境界を証明し,拡張線形ガウス前方過程を導出し,残差状態と解析補助ガウススコアを考慮し,学習がデータ次元のままであることを示す。 また,共有ブラウン因子と署名されたスムーズ・レジム重みによる共分散と逆時間縮退を同定した。 縮退は安定化された条件付けを動機付け、より大型のリフトにはガウス橋再建サンプリング機が使用される。 MNISTとCIFAR-10の実験では、小さなマルコフリフトによる持続的な分数摂動は、MNISTのスコアベース生成を改善し、自然画像への有望な拡張を提供する一方で、ブリッジサンプリング装置は、より大きなリフトに対する安定性のメカニズムを提供する。

関連論文リスト

• Inspectable Neural Markov Models for Non-Stationary Time Series [0.0]
  ニューラルネットワークを用いてマルコフ鎖の多様体をパラメータ化するハイブリッド手法を提案する。 実効ボラティリティの条件付けは、リターンベース状態よりも内部的に一貫したマルコフ構造を生成することを示す。
  論文  参考訳（メタデータ） (2026-05-29T07:29:35Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Hypergraph Generation via Structured Stochastic Diffusion [8.501793261157966]
  HEDGEは、緩和された入射行列に基づいて直接定義される生成モデルである。 条件付き手段、スコア、リバースドリフトターゲットはクローズドフォームで利用可能である。 高いベースラインに対してハイパグラフ生成精度が向上した。
  論文  参考訳（メタデータ） (2026-05-06T15:19:20Z)
• Generative Path-Law Jump-Diffusion: Sequential MMD-Gradient Flows and Generalisation Bounds in Marcus-Signature RKHS [0.0]
  本稿では,cdlgトラジェクトリを合成するための新しい生成フレームワークを提案する。 我々は,時間拡張Marcus-senseシグネチャを効果的に反転させる生成機構であるtextitAnticipatory Neural Jump-Diffusion (ANJD) フローを開発した。
  論文  参考訳（メタデータ） (2026-04-06T13:23:59Z)
• Predicting Forced Responses of Probability Distributions via the Fluctuation-Dissipation Theorem and Generative Modeling [0.0]
  非線形系の高次モーメントの小さな外乱に対する応答を推定するためのデータ駆動型フレームワークを提案する。 GFDTとスコアベース生成モデルを組み合わせて,データから直接システムのスコア関数を推定する。 本手法は, 気候動態に関するいくつかのモデルを用いて検証した。
  論文  参考訳（メタデータ） (2025-04-17T20:54:33Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Generative Fractional Diffusion Models [53.36835573822926]
  我々は,その基礎となる力学に分数拡散過程を利用する,最初の連続時間スコアベース生成モデルを導入する。 実画像データを用いた評価では,GFDMはFIDが低い値で示されるように,画素幅の多様性と画質の向上を実現している。
  論文  参考訳（メタデータ） (2023-10-26T17:53:24Z)

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。