論文の概要: Exact Global MCMC with Denoising Diffusion

• arxiv url: http://arxiv.org/abs/2609.00279v1
• Date: Mon, 31 Aug 2026 19:24:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.023211
• Title: Exact Global MCMC with Denoising Diffusion
• Title（参考訳）: Denoising Diffusion を併用した Exact Global MCMC
• Abstract要約: 我々は、局所収束MALAサンプル上で拡散モデルを訓練し、グローバルMCMCの提案を学習する。 Denoising Diffusion Monte Carlo (DDMC) は、様々な複雑なターゲット密度に対して高い受理性を持つグローバルな提案を提供できることを示す実験である。
• 参考スコア（独自算出の注目度）: 3.763882712747131
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work shows that diffusion models learned with standard denoising loss can provide effective global MCMC proposals for complex high-dimensional target densities. The method is motivated by the observation that sequentially applying a forward and reverse diffusion process defines a Markov chain with a target stationary distribution for an ideal denoiser trained on samples of the target distribution. This observation can be made exact for any denoiser by applying a Metropolis-Hastings step whose acceptance ratio includes the density of the forward and reverse paths of a discrete time SDE approximation. We therefore propose to train denoising diffusion models on locally convergent MALA samples to learn global MCMC proposals. We call the composition of the global denoiser-based path sampler and a local MALA sampler Denoising Diffusion Monte Carlo (DDMC). Experiments show that DDMC can provide global proposals with high acceptance across a variety of complex target densities. Our results offer preliminary evidence that the established scaling behavior of standard diffusion training transfers directly to exact sampling from high-dimensional unnormalized densities.
• Abstract（参考訳）: 本研究は, 標準偏極損失で学習した拡散モデルが, 複雑な高次元ターゲット密度に対して有効な大域MCMC提案を提供することを示す。 本手法は, 目標分布のサンプルに基づいて訓練された理想デノイザに対して, 目標定常分布を持つマルコフ鎖を逐次, 逆拡散過程で定義する観察によって動機付けられた。 この観察は、離散時間SDE近似の前後経路の密度を含む受容比を有するメトロポリス・ハスティングスステップを適用することにより、任意のデノイザーに対して正確に行うことができる。 そこで本研究では,局所収束MALAの拡散モデルを用いて,グローバルMCMCの提案を学習する。 我々はこの構成を,グローバルデノイザーを用いたパスサンプリング器とローカルMALAサンプリング器であるDenoising Diffusion Monte Carlo (DDMC) と呼ぶ。 実験により、DDMCは様々な複雑なターゲット密度に対して高い受け入れ率でグローバルな提案を提供できることが示された。 本結果は, 高次元非正規化密度からの正確なサンプリングに直接, 標準拡散訓練の確立されたスケーリング挙動を示す予備的証拠を提供する。

関連論文リスト

• Markov Chain Monte Carlo with Diffusion Paths [16.16991829228785]
  マルチモーダル分布からのサンプリングは、局所マルコフ連鎖モンテカルロ法における長年の挑戦である。 本稿では,拡散経路に沿って補間すること,すなわちガウスに向かって対象を輸送するノイズ発生拡散過程の限界について提案する。 我々は,MAD-PathがMCMC法と非調整拡散サンプリング器と比較して,グローバル探索とモードウェイト推定を改善したことを示す。
  論文  参考訳（メタデータ） (2026-07-13T14:48:19Z)
• Stop the Sampler! Classifier-Based Adaptive Stopping for Sampling Kernels [7.242772259736366]
  本稿では,軌道終端をサンプリング力学の学習可能なコンポーネントとして扱う新しいフレームワークを提案する。 非環状生成流ネットワーク(GFlowNets)の理論内でMCMCをフレーミングすることにより、状態依存型ニューラル分類器を訓練し、軌道が高密度領域に達して終了するかどうかを判断する。
  論文  参考訳（メタデータ） (2026-06-15T00:18:21Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Importance Weighted Score Matching for Diffusion Samplers with Enhanced Mode Coverage [16.94974733994214]
  一般的な手法では、逆KLベースの目的を最適化することで、ターゲットデータの欠如を回避できることが多い。 そこで本研究では,KLの分岐に類似した目的を直接ターゲットとした拡散型サンプリング器の訓練手法を提案する。 我々のアプローチは、すべての分布距離のメトリクスで既存のニューラルサンプリングよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-05-26T02:48:26Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Zeroth-Order Sampling Methods for Non-Log-Concave Distributions: Alleviating Metastability by Denoising Diffusion [13.832359344815043]
  本稿では,非正規化密度の問合せに基づく非ログコンケーブ分布からのサンプリング問題について考察する。 最初に、モンテカルロ推定器によって近似された点数を持つ偏微分拡散過程のシミュレーションに基づいて、DDMC(Denoising Diffusion Monte Carlo)というフレームワークを記述した。 DDMCを真のアルゴリズムであるZOD-MC(Zeroth-Order Diffusion Monte Carlo)に変換する。
  論文  参考訳（メタデータ） (2024-02-27T21:00:00Z)
• Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
  反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。 提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
  論文  参考訳（メタデータ） (2024-02-09T01:11:23Z)
• Semi-Implicit Denoising Diffusion Models (SIDDMs) [50.30163684539586]
  Denoising Diffusion Probabilistic Models (DDPM)のような既存のモデルは、高品質で多様なサンプルを提供するが、本質的に多くの反復的なステップによって遅くなる。 暗黙的要因と明示的要因を一致させることにより、この問題に対処する新しいアプローチを導入する。 提案手法は拡散モデルに匹敵する生成性能と,少数のサンプリングステップを持つモデルに比較して非常に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-21T18:49:22Z)
• CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion Models [72.93652777646233]
  カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。 本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。 カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
  論文  参考訳（メタデータ） (2023-05-29T07:49:44Z)
• Denoising Diffusion Samplers [41.796349001299156]
  拡散モデルの認知は、多くの領域で最先端の結果を提供する生成モデルの一般的なクラスである。 我々は、非正規化確率密度関数から大まかにサンプリングし、それらの正規化定数を推定する類似のアイデアを探求する。 この文脈ではスコアマッチングは適用できないが、モンテカルロサンプリングのために生成的モデリングで導入された多くのアイデアを利用することができる。
  論文  参考訳（メタデータ） (2023-02-27T14:37:16Z)
• Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
  本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。 学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。 非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
  論文  参考訳（メタデータ） (2020-12-15T07:09:02Z)

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。