論文の概要: StocBench: A Benchmark for Generative Modeling of Stochastic Dynamics
- arxiv url: http://arxiv.org/abs/2608.22309v1
- Date: Sun, 23 Aug 2026 09:19:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.956436
- Title: StocBench: A Benchmark for Generative Modeling of Stochastic Dynamics
- Title（参考訳）: StocBench:確率力学の生成モデリングのためのベンチマーク
- Abstract要約: 輸送型生成モデルと蒸留型数段階法の評価を行った。
大規模な模擬参照アンサンブルに対して一段階の分布精度を測定する。
多段蒸留法は多段蒸留法と競合し、特にエンストロフィースペクトルをよく保存する。
- 参考スコア（独自算出の注目度）: 23.195032320229505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We benchmark transport-based generative models as well as distillation-based few-step methods for the probabilistic forecasting of stochastic fluid flows, with a particular focus on performance under limited inference budgets. All methods are evaluated on a two-dimensional Kolmogorov flow with stochastic forcing. We measure one-step distributional accuracy against large simulated reference ensembles and assess whether the invariant measure is preserved during autoregressive rollouts via the enstrophy spectrum. On the stochastic task, flow matching achieves the most accurate one-step conditional distribution at high inference budgets, while the second-order exponential integrator DPM-2 is strongest at very low NFE. Few-step distillation methods are competitive with the multi-step methods and preserve the enstrophy spectrum particularly well. A deterministic control task, in which the forcing over the prediction interval is observed, separates aleatoric from epistemic uncertainty. Model performance does not translate between the two settings: the distilled models are competitive on the stochastic task but least accurate on the control task. While stochastic diffusion samplers such as DDPM better preserve the enstrophy spectrum during rollouts in the stochastic setting, deterministic samplers such as DDIM and DPM-2 show better spectral preservation in the deterministic setting.
- Abstract（参考訳）: 本稿では, 確率流体の確率的予測のための, 蒸留法に基づく数段階法と, 限られた推算予算下での性能に着目した輸送型生成モデルのベンチマークを行った。
全ての方法が確率的強制を伴う2次元コルモゴロフ流れで評価される。
本研究では,大規模な模擬参照アンサンブルに対して一段階の分布精度を測定し,エンストロフィースペクトルによる自己回帰ロールアウト中に不変値が保存されているかどうかを評価する。
確率的タスクでは、フローマッチングは高い推論予算で最も正確な1ステップ条件分布を達成する一方、2階指数積分器DPM-2は極めて低いNFEで最強となる。
多段蒸留法は多段蒸留法と競合し、特にエンストロフィースペクトルをよく保存する。
予測間隔を越える強制を観測する決定論的制御タスクは、てんかんの不確実性からアレラトニックを分離する。
蒸留されたモデルは確率的タスクでは競合するが、制御タスクでは最小の精度である。
DDPMのような確率拡散型サンプリング器は, 確率的条件下でのロールアウト時のエントロフィスペクトルをよりよく保存するが, DDIMやDPM-2のような決定論的サンプリング器は, 決定論的条件下でのスペクトル保存をより良く示す。
関連論文リスト
- Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。
EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。
本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
論文 参考訳（メタデータ） (2026-08-24T15:06:18Z) - Two-stage Odd Residual Flows for Mean-Preserving Probabilistic Time Series Forecasting [9.992963275755159]
2段階のOdd Residual Flows (TORF) は不確実性推定から平均予測を分離するフレームワークである。
TORFは、近距離および長距離予測において、強い密度推定性能(CRPS)を提供しながら、最先端の決定論的精度(NMAE)を達成する。
論文 参考訳（メタデータ） (2026-08-11T16:22:47Z) - From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。
最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。
次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文 参考訳（メタデータ） (2026-07-10T20:59:06Z) - Constrained Diffusion Models with Primal-Dual Inference [76.64466170898369]
我々はPDI(primal-Dual Inference)を用いた制約付き拡散モデルを開発する。
PDIは最適原始分布とそのパラメトリゼーション双対変数を推定する。
我々は、ガウシアン、無線リソースアロケーション、ポートフォリオ管理の混合による制約サンプリングに基づくPDIを評価する。
論文 参考訳（メタデータ） (2026-06-15T18:32:33Z) - Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。
探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。
有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
論文 参考訳（メタデータ） (2026-05-22T11:37:22Z) - Sobolev Regularized MMD Gradient Flow [22.929984194375805]
勾配規則化MDD流の正規化変種を提案する。
提案した正規化は、平均核平均埋め込みの違いを緩和する。
提案した流れの重要な特徴は、両方のサンプリング(非正規化対象分布からの)に適用可能であることである。
論文 参考訳（メタデータ） (2026-05-12T09:58:19Z) - Surrogate Modelling of Proton Dose with Monte Carlo Dropout Uncertainty Quantification [0.0]
我々はモンテカルロの投棄を統合し、高速で微分可能な線量予測を提供するニューラルネットワークサロゲートを開発した。
この手法は不確実性情報を保持しつつ,MC上での大幅な高速化を実現する。
プロトン療法におけるロバストな計画、適応的計画、不確実性を考慮した最適化への統合に適している。
論文 参考訳（メタデータ） (2025-09-16T19:54:49Z) - 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) - Taming Flow Matching with Unbalanced Optimal Transport into Fast Pansharpening [10.23957420290553]
本稿では,一段階の高品位パンシャーピングを実現するための最適輸送フローマッチングフレームワークを提案する。
OTFMフレームワークは、パンシャーピング制約の厳格な遵守を維持しつつ、シミュレーション不要なトレーニングとシングルステップ推論を可能にする。
論文 参考訳（メタデータ） (2025-03-19T08:10:49Z) - Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳（メタデータ） (2024-10-17T16:42:12Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳（メタデータ） (2022-02-23T06:11:49Z)
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。