論文の概要: Generator-Guided Inverse Sampling for Lévy-Driven Generative Models
- arxiv url: http://arxiv.org/abs/2608.10384v1
- Date: Tue, 11 Aug 2026 02:25:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.866112
- Title: Generator-Guided Inverse Sampling for Lévy-Driven Generative Models
- Title（参考訳）: レビー駆動生成モデルのためのジェネレータ誘導逆サンプリング
- Abstract要約: マルコフ発生器の観点からのレヴィ駆動生成モデルの逆サンプリングについて検討する。
本研究では,動的に拡散,小さな跳躍,大きな跳躍成分に分解する構造的逆サンプリング器を開発した。
- 参考スコア（独自算出の注目度）: 7.926964418680483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies inverse sampling for Lévy-driven generative models from the perspective of Markov generators. Unlike conventional diffusion models, Lévy-driven dynamics involve infinite jump activities, which makes their reverse process nonlocal and difficult to characterize using score information alone. We address this challenge by analyzing the forward and reversed generators. It is derived that the reversed jump component generally becomes a state-dependent Markov jump process governed by a nonlocal density ratio. This observation motivates a structured reverse sampler that decomposes the dynamics into diffusion, small jump, and large jump components. Based on this characterization, we develop a computationally tractable sampler for a class of isotropic linear Lévy SDEs with symmetric $α$-stable jump components. For the jump component, the neural network is used only to amortize the rate of large jump activities, while jump amplitudes are generated from analytically derived conditional distributions, which improves interpretability and controllability. Efficient implementation techniques are further introduced under this setting to avoid expensive high-dimensional integration and sampling. The sampler is further adapted to approximate observation-guided sampling and applied to OFDM-SISO channel estimation under mixed Gaussian and impulsive noise. Simulations show robust estimation performance with a favorable tradeoff between complexity and performance.
- Abstract（参考訳）: 本稿ではマルコフ発生器の観点からのレヴィ駆動生成モデルの逆サンプリングについて検討する。
従来の拡散モデルとは異なり、レヴィ駆動力学は無限のジャンプアクティビティを伴い、逆過程は非局所的であり、スコア情報のみを用いて特徴づけるのが困難である。
我々は、前向きおよび逆向きのジェネレータを解析することで、この問題に対処する。
逆ジャンプ成分は一般に非局所密度比で支配される状態依存マルコフジャンプ過程となる。
この観察は、動的を拡散、小さな跳躍、大きな跳躍成分に分解する構造的逆サンプリングを動機付けている。
この特徴に基づいて、対称$α$-stableジャンプ成分を持つ等方線形レヴィSDEのクラスに対する計算的に抽出可能なサンプリング器を開発する。
ジャンプ成分について、ニューラルネットワークは、大きなジャンプアクティビティの速度を記憶するためにのみ使用され、一方、ジャンプ振幅は解析的に導出された条件分布から生成され、解釈性と制御性が向上する。
高価な高次元積分とサンプリングを避けるため、この設定で効率的な実装技術が導入された。
さらに、観測誘導サンプリングに適応し、ガウスノイズとインパルスノイズの混合下でのOFDM-SISOチャネル推定に適用する。
シミュレーションでは、複雑性と性能のトレードオフが好ましく、ロバストな推定性能を示す。
関連論文リスト
- Volterra Generative Models [0.0]
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。
論文 参考訳（メタデータ） (2026-06-16T15:40:09Z) - Initialization-Aware Score-Based Diffusion Sampling [2.554905387213586]
ガウス分布の古典的なサンプルは、通常、多くの離散化ステップと高い計算コストを誘導する長時間の地平線ノイズを必要とする。
本稿では,Vari Explodingfusion samplerのKullback-Leibler収束解析について述べる。
おもちゃの分布とベンチマークデータセットの実験は、かなり少ないサンプリングステップを使用しながら、競争力または改良された生成品質を示す。
論文 参考訳（メタデータ） (2026-02-28T18:37:10Z) - Weighted Stochastic Differential Equation to Implement Wasserstein-Fisher-Rao Gradient Flow [0.0]
有望な作業のラインは、情報幾何学から、大量再重み付け機構を備えた拡散に基づくサンプル装置の拡張まで、ツールを活用する。
本研究は,WFRに基づくサンプリング力学の予備的かつ厳密な研究であり,今後の発展の基礎となる理論構造を明らかにすることを目的としている。
論文 参考訳（メタデータ） (2025-12-19T18:31:27Z) - Generative modelling with jump-diffusions [0.0]
非ガウス的雑音過程の幅広いクラスに対する生成拡散過程の一般化を提案する。
重み付きターゲット分布を捕捉する問題に対して、ジャンプ拡散ラプラスモデルは、アルファ安定雑音によって駆動されるモデルより優れる。
論文 参考訳（メタデータ） (2025-03-09T11:08:03Z) - Scalable Equilibrium Sampling with Sequential Boltzmann Generators [60.00515282300297]
Boltzmannジェネレータフレームワークを2つの重要なコントリビューションで拡張する。
1つ目は、全原子カルテシアン座標で直接動作する非常に効率的なトランスフォーマーベースの正規化フローである。
特に,連続モンテカルロの連続時間変種を用いて,流れサンプルの推論時スケーリングを行う。
論文 参考訳（メタデータ） (2025-02-25T18:59:13Z) - Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。
我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
論文 参考訳（メタデータ） (2024-10-28T17:25:56Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - Accurate generation of stochastic dynamics based on multi-model
Generative Adversarial Networks [0.0]
GAN(Generative Adversarial Networks)は、テキストや画像生成などの分野において大きな可能性を秘めている。
ここでは、格子上の原型過程に適用することにより、このアプローチを定量的に検証する。
重要なことに、ノイズにもかかわらずモデルの離散性は維持される。
論文 参考訳（メタデータ） (2023-05-25T10:41:02Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - Sample Complexity Bounds for 1-bit Compressive Sensing and Binary Stable
Embeddings with Generative Priors [52.06292503723978]
生成モデルを用いた圧縮センシングの進歩により, 生成モデルを用いた1ビット圧縮センシングの問題点を考察した。
まずノイズのない1ビット測定を考察し, ガウス測度に基づく近似回復のためのサンプル複雑性境界を提供する。
また,リプシッツ連続生成モデルを用いた1ビット圧縮センシングにも有効であることを示すため,評価誤差と雑音に対する再構成の堅牢性を示すBinary $epsilon$-Stable Embedding特性を実証した。
論文 参考訳（メタデータ） (2020-02-05T09:44:10Z)
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。