論文の概要: LatentFlow: A General Framework for Conditioning Stochastic Processes
- arxiv url: http://arxiv.org/abs/2607.12922v1
- Date: Tue, 14 Jul 2026 15:56:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.218138
- Title: LatentFlow: A General Framework for Conditioning Stochastic Processes
- Title（参考訳）: LatentFlow: 確率的プロセスの条件付けのための一般的なフレームワーク
- Abstract要約: LatentFlowは、学習済みの神経近似とトレーニングのない、プロセスの条件付けフレームワークである。
メソッドを一度も共有したことのないモデルクラスをまたいだ、単一のデスクトップCPU上で、条件付きサンプリングを可能にする。
- 参考スコア（独自算出の注目度）: 7.073210405344711
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stochastic-process models are, as a rule, far easier to simulate than to condition. Non-linear observations, non-Gaussian likelihoods, black-box information, and global constraints all induce intractable conditional laws, requiring bespoke, model-specific constructions. We introduce LatentFlow, a single framework for conditioning stochastic processes, with no learned neural approximations and no training. Our starting point is to write the stochastic process as the deterministic image of a tractable latent innovation, $f_0 = T_{\vartheta}(ξ_0)$, with $ξ_0$ sampled from a simple reference distribution. This reduces process-level conditioning to latent-space inference: pull the likelihood back through $T_{\vartheta}$, sample the resulting latent law with a tractable guided probability flow, and push the samples forward. This construction is provably exact at the level of the target law; in practice, approximation enters only through finite terminal noising, Monte Carlo guidance, and time discretisation of the continuous-time dynamics, each of which is explicit and systematically reducible. As LatentFlow is training-free, conditioning reduces to solving a single reverse-time SDE. This enables conditional sampling in seconds on a single desktop CPU across model classes that have never shared a scalable method: classical spatial priors, nonlinear stochastic dynamics, mechanistic models from the physical and life sciences, stochastic PDEs, heavy-tails and extremes, point and discrete-state processes, and neural or simulator-defined processes.
- Abstract（参考訳）: 確率過程モデルは、規則として、条件よりもはるかに容易にシミュレートできる。
非線型観測、非ガウス的可能性、ブラックボックス情報、グローバル制約はすべて、難解な条件付き法則を誘導し、モデル固有の構成を必要とする。
確率過程を条件付けするための単一のフレームワークであるLatentFlowを紹介した。
我々の出発点は、確率過程を、抽出可能な潜在革新の決定論的イメージとして、$f_0 = T_{\vartheta}(a_0)$ と記述することである。
このことは、プロセスレベルの条件付けを遅延空間推論に還元する:$T_{\vartheta}$をプルして、導出可能な確率フローで遅延法則をサンプリングし、サンプルを前進させる。
実際には、近似は有限終端ノイズ化(英語版)、モンテカルロガイダンス(英語版)、連続時間力学の時間離散化(英語版)によってのみ入力され、それぞれが明示的かつ体系的に再現可能である。
LatentFlowはトレーニング不要であるため、条件付けは単一のリバースタイムSDEの解決に還元される。
これにより、従来の空間的先行性、非線形確率力学、物理と生命科学の力学モデル、確率的PDE、重尾と極端、点と離散状態のプロセス、神経またはシミュレータ定義プロセスなど、スケーラブルな方法を共有することのないモデルクラスで、単一のデスクトップCPU上で、数秒で条件付きサンプリングが可能になる。
関連論文リスト
- Scaling Categorical Flow Maps [29.25832277355597]
連続拡散とフローマッチングモデルは、言語モデリングにおける自己回帰的なアプローチの強力な代替となるかもしれない。
ほぼデータレベルのトークンエントロピーを維持しつつ,4ドル程度の推論ステップで多種多様な高品質テキストを生成する方法を示す。
これらのモデルを大規模にトレーニングすることで生じる課題を明らかにし、損失重み付けと時間スケジューリングに関する規範的な洞察を提供する。
論文 参考訳（メタデータ） (2026-05-08T14:50:57Z) - Few-Step Diffusion Sampling Through Instance-Aware Discretizations [16.93105640007355]
正規あるいは微分方程式(ODEs/SDEs)で定義される経路をシミュレートして拡散・流れマッチングモデルにより高忠実度データを生成する
本稿では、入力依存の事前情報に基づいてタイムステップアロケーションを適応させることを学習する、インスタンス対応の離散化フレームワークを提案する。
提案手法は,トレーニングや無視可能な推論オーバーヘッドと比較して,限界チューニングコストで生成品質を継続的に向上する。
論文 参考訳（メタデータ） (2026-03-18T12:49:38Z) - Nonparametric estimation of conditional probability distributions using a generative approach based on conditional push-forward neural networks [0.0]
本稿では,条件分布推定のための生成フレームワークCPFNを紹介する。
CPFN は、$varphi(x,U)$ と $Y|X=x$ がほぼ同じ法則に従うような写像 $varphi=varphi(x,u)$ を学ぶ。
これはKulback-Leiblerの定式化から導かれる目的関数を通じて訓練される。
論文 参考訳（メタデータ） (2025-11-18T12:59:20Z) - Neural Stochastic Flows: Solver-Free Modelling and Inference for SDE Solutions [23.147474211347856]
我々はニューラルフロー(NSF)とその潜伏変種を導入し、SDE遷移則を直接学習する(最近)。
合成SDEシミュレーションと実世界の追跡とビデオデータを用いた実験により,NSFは数値的アプローチに匹敵する分布精度を維持していることが示された。
論文 参考訳（メタデータ） (2025-10-29T17:59:06Z) - Neural Jump ODEs as Generative Models [2.528513413370073]
本稿では,ITOプロセスの生成モデルとしてニューラルジャンプODE(NJODE)をどのように利用できるかを検討する。
固定された伊藤過程のサンプル(離散的な観察)を考えると、NJODEフレームワークはプロセスのドリフトと拡散係数を近似するのに使うことができる。
論文 参考訳（メタデータ） (2025-10-03T06:43:12Z) - 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) - 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) - Least Squares and Marginal Log-Likelihood Model Predictive Control using Normalizing Flows [0.0]
本研究は,動的学習のための離散時間モデルとして条件正規化フローを提案する。
原子炉実験において、正規化流MPCは開ループおよび閉ループの場合のセットポイント誤差を名目制御器の半分に低減する。
論文 参考訳（メタデータ） (2024-09-26T08:28:14Z) - Restoration-Degradation Beyond Linear Diffusions: A Non-Asymptotic
Analysis For DDIM-Type Samplers [90.45898746733397]
本研究では拡散生成モデルに用いる決定論的サンプリング器の非漸近解析のためのフレームワークを開発する。
確率フローODEに沿った1ステップは,1) 条件付き対数線上を無限に先行して上昇する回復ステップ,2) 雑音を現在の勾配に向けて前向きに進行する劣化ステップの2段階で表すことができる。
論文 参考訳（メタデータ） (2023-03-06T18:59:19Z) - Stochastic Inexact Augmented Lagrangian Method for Nonconvex Expectation
Constrained Optimization [88.0031283949404]
多くの実世界の問題は複雑な非機能的制約を持ち、多くのデータポイントを使用する。
提案手法は,従来最もよく知られた結果で既存手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-12-19T14:48:54Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z) - 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)
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。