Fugu-MT 論文翻訳(概要): Unifying Generative Models with Path Integrals

論文の概要: Unifying Generative Models with Path Integrals

arxiv url: http://arxiv.org/abs/2608.12438v1
Date: Wed, 12 Aug 2026 14:52:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-14 18:29:38.286704
Title: Unifying Generative Models with Path Integrals
Title（参考訳）: 経路積分による生成モデルの統合
Abstract要約: 本稿では,フローベース,拡散ベース,変動モデル,逆モデルが出現する経路積分として生成モデリングを定式化する。 MSRJD形式は相互作用する確率フローから分離し、図式理論に開放する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We formulate generative modeling as a path integral in which flow-based, diffusion-based, variational, and adversarial models arise as different evaluation principles for a single master action. Its Martin-Siggia-Rose-Janssen-de~Dominicis (MSRJD) form separates free from interacting probability flows and opens them to diagrammatic perturbation theory. The expansion yields a one-loop correction to deterministic samplers at no stochastic-sampling cost, which we validate on solvable and nonlinear drifts, where it reduces a 53 % tree-level error to 1.6 %. Imperfect learned scores enter as insertions and yield a response-weighted score-matching objective, and symmetry-equivariant drift design becomes an operator expansion with EFT power counting.
Abstract（参考訳）: 本稿では,フローベース,拡散ベース,変動モデル,逆モデルが単一マスタアクションの異なる評価原理として現れる経路積分として生成モデリングを定式化する。そのMartin-Siggia-Rose-Janssen-de~Dominicis (MSRJD) 形式は相互作用する確率フローから分離し、図形の摂動理論に開放する。この拡張により, 確率サンプリングコストを伴わない決定型サンプリング器の1ループ補正が可能となり, 可溶性および非線形ドリフトを検証し, 53 %のツリーレベルの誤差を1.6 %まで低減する。不完全学習スコアは挿入として入力され、応答重み付きスコアマッチングの対象となり、対称性-等変ドリフト設計はEFT電力計数による演算子展開となる。

関連論文リスト

Optimizing Visual Generative Models via Distribution-wise Rewards [57.46109819595665]
本稿では,実世界のデータ分布との整合性を確保するために,分布ワイド報酬を用いた生成モデルを微調整する新しいフレームワークを提案する。提案手法は,SiTでは5.77,EDM2では3.74から3.52まで,様々なベースモデルでFID-50Kを大幅に改善する。
論文参考訳（メタデータ） (2026-07-02T15:08:56Z)
Efficient Adjoint Matching for Fine-tuning Diffusion Models [47.05085426361986]
本研究では,テキストベースドリフトとテキスト端末コストでSOC問題を修正し,トレーニング効率を大幅に向上するEMAを提案する。 EAMはAMよりも最大4倍早く収束し、PickScore、ImageReward、HPSv2.1、CLIPScore、Aestheticsなど様々なメトリクスにマッチするか、超える。
論文参考訳（メタデータ） (2026-05-12T03:55:12Z)
Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
論文参考訳（メタデータ） (2026-05-09T15:30:52Z)
Joint Embedding Variational Bayes [0.08594140167290097]
変分ジョイント・エンベディング(VJE)は、関節埋め込みと変分推論を合成するフレームワークである。 VJEは、再構成のない非競合的な環境で確率的表現の自己教師付き学習を可能にする。
論文参考訳（メタデータ） (2026-02-05T13:18:53Z)
The Reasoning-Creativity Trade-off: Toward Creativity-Driven Problem Solving [57.652356955571065]
最先端の大規模言語モデル(LLM)パイプラインは、ブートストラップの推論ループに依存している。我々は、この設計選択が、推論経路上のモデルの分布の崩壊にどのように敏感であるかを分析する。本稿では,分散創造推論(DCR)について紹介する。これは,解トレースの確率測定を通じて,トレーニングを勾配流としてキャストする,統一的な変分目的である。
論文参考訳（メタデータ） (2026-01-02T17:10:31Z)
Generative Lines Matching Models [2.6089354079273512]
本研究では,2つの分布を補間する全直線に一致した新しい確率フローモデルを提案する。その結果,LMMが生成する流れ場は時間的整合性に優れ,直線性スコアの優れた軌道が得られた。全体として、LMMは確立されたベンチマークデータセット上で、最小限のNFEで最先端のFIDスコアを達成する。
論文参考訳（メタデータ） (2024-12-09T11:33:38Z)
Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文参考訳（メタデータ） (2023-10-25T17:59:12Z)
A probabilistic, data-driven closure model for RANS simulations with aleatoric, model uncertainty [1.8416014644193066]
本稿では,レノルズ平均Navier-Stokes (RANS) シミュレーションのためのデータ駆動閉包モデルを提案する。パラメトリック閉包が不十分な問題領域内の領域を特定するために,完全ベイズ的定式化と余剰誘導先行法を組み合わせて提案する。
論文参考訳（メタデータ） (2023-07-05T16:53:31Z)
The Score-Difference Flow for Implicit Generative Modeling [1.1929584800629673]
Inlicit Generative Modelingは、対象データ分布と一致する合成データのサンプルを作成することを目的としている。最近の研究は、合成音源データをターゲット分布へプッシュする観点から、IGG問題にアプローチしている。任意のターゲット分布とソース分布のスコア差を,Kulback-Leibler分散を最適に低減するフローとして提示する。
論文参考訳（メタデータ） (2023-04-25T15:21:12Z)
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)
Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文参考訳（メタデータ） (2020-10-22T05:04:38Z)

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。