論文の概要: Generative Diffusion Surrogates with Analytical Variance Schedule

• arxiv url: http://arxiv.org/abs/2609.01705v1
• Date: Tue, 01 Sep 2026 18:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.744302
• Title: Generative Diffusion Surrogates with Analytical Variance Schedule
• Title（参考訳）: 解析的分散スケジュールを用いた生成拡散サロゲート
• Authors: Patrick Reichherzer, Gianluca Gregori, David N. Hosking, Subir Sarkar,
• Abstract要約: 輸送とは、最初に構造化された分布が未解決の強制、散乱、不均一な媒体の下で拡散する物理システムを指す。 ここでは、この分散の時間微分としてフォワードノイズ発生率を規定し、生成時間をキャリブレーションされた輸送クロックに変換する。 乱流プラズマの弾道-拡散輸送では、サロゲートは試験粒子分布と一致し、実験室で測定された分散スケールを再現し、スケジュール調整なしでシミュレーションされたクルトーシスの進化を追跡する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stochastic transport describes physical systems in which an initially structured distribution spreads under unresolved forcing, scattering, or heterogeneous media. Useful surrogates for such systems should be probabilistic, time-resolved, and able to represent non-Gaussian distributional structure. Generative diffusion models, which corrupt data with Gaussian noise and learn a reverse flow back to structured states, have these properties. Their noise schedules, however, are usually chosen heuristically: image and audio generation---the canonical use cases---provide no physical clock. In transport, by contrast, the variance, or mean-square displacement, is often known from macroscopic theory or empirical scaling even when the full distribution is not. Here we prescribe the forward noising rate as the time derivative of this variance, turning generative time into a calibrated transport clock. The variance path is enforced by construction, while the learned score field represents how non-Gaussian structure inherited from entrance data is smoothed along that path, requiring no intermediate-time physical transport data. For ballistic-to-diffusive transport in turbulent plasmas, the surrogate matches test-particle distributions, reproduces the laboratory-measured variance scale, and tracks the simulated kurtosis evolution without schedule tuning, enabling calibrated emulation and likelihood-based inference.
• Abstract（参考訳）: 確率的輸送(Stochastic transport)とは、最初に構造化された分布が未解決の強制、散乱、不均一な媒質の下で拡散する物理系をいう。 そのような系に対する有用な代理は確率的であり、時間分解され、非ガウス分布構造を表現することができるべきである。 ガウス雑音でデータを破損させ、構造状態への逆流を学習する生成拡散モデルには、これらの性質がある。 しかし、彼らのノイズスケジュールは、通常ヒューリスティックに選択される:画像とオーディオ生成 - 標準的なユースケース - 物理的な時計を提供する - である。 輸送において、対照的に、分散(平均二乗変位)は、完全な分布が存在しない場合でも、マクロ理論や経験的スケーリングからしばしば知られている。 ここでは、この分散の時間微分としてフォワードノイズ発生率を規定し、生成時間をキャリブレーションされた輸送クロックに変換する。 一方、学習したスコアフィールドは、入口データから受け継いだ非ガウス構造が、その経路に沿って滑らか化され、中間時間物理輸送データを必要としないことを示す。 乱流プラズマの弾道-拡散輸送では、サロゲートは試験粒子分布と一致し、実験室で測定された分散スケールを再現し、スケジュール調整なしでシミュレーションされたクルトーシスの進化を追跡し、校正エミュレーションと可能性に基づく推論を可能にした。

関連論文リスト

• Self-Consistent Generative Paths via Admissible Random Variational Transport [14.74009385288423]
  確率経路はいつ自己整合するのか? 自己整合性生成経路を許容可能な局所変分輸送補正のランダムな固定点として定義する。 結果として生じる理論は、エンドポイントマッチングを経路自己整合性テストに変換する。
  論文  参考訳（メタデータ） (2026-06-08T02:56:06Z)
• Why SGD is not Brownian Motion: A New Perspective on Stochastic Dynamics [92.39053980710702]
  グラディエント・Descent (SGD) は通常ランゲヴィン過程としてモデル化され、ミニバッチノイズがブラウン運動として働くと仮定される。 この近似は、連続時間制限と、離散的なSGD更新を有限学習率で一致しないsqrt(eta)ノイズスケーリングに依存している。 ミニバッチサンプリングによって誘導されるゆらぎのある損失景観における決定論的力学としてのSGDの別の定式化を提案する。
  論文  参考訳（メタデータ） (2026-05-21T15:50:40Z)
• Deterministic Decomposition of Stochastic Generative Dynamics [4.949940153151258]
  本稿では,境界および条件定式化の両方を通して生成力学を学習するためのフローベースフレームワークを提案する。 提案手法は,確率輸送における浸透的寄与を調節することにより,解釈可能かつ制御可能なサンプリングを可能にすることを示す。
  論文  参考訳（メタデータ） (2026-05-09T08:31:17Z)
• Learning What Matters: Steering Diffusion via Spectrally Anisotropic Forward Noise [43.07594740645669]
  Diffusion Probabilistic Models (DPM) は強力な生成性能を達成しているが、その帰納的バイアスは大半が暗黙的である。 本研究では,拡散モデルのトレーニングとサンプリングに帰納的バイアスを組み込むことにより,モデルの目的とするデータ分布をよりよく適応することを目的とする。 異方性前方共分散を周波数対角共分散に置き換えることで、これらのバイアスを形作る異方性雑音演算子を導入する。
  論文  参考訳（メタデータ） (2025-10-07T16:08:39Z)
• Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models [50.77646970127369]
  本稿では,Fokker-Planck由来の正規化項を用いたエネルギーベース拡散モデルを提案する。 高速折りたたみタンパク質を含む複数の生体分子系をサンプリング・シミュレートし,本手法を実証する。
  論文  参考訳（メタデータ） (2025-06-20T16:38:29Z)
• EquiReg: Equivariance Regularized Diffusion for Inverse Problems [67.01847869495558]
  拡散に基づく逆問題解法における後方サンプリングを正規化するためのフレームワークであるEquiReg拡散法を提案する。 様々な解法に適用すると、EquiRegは線形および非線形画像復元タスクにおいて最先端の拡散モデルより優れる。
  論文  参考訳（メタデータ） (2025-05-29T01:25:43Z)
• Unsupervised Learning of Sampling Distributions for Particle Filters [80.6716888175925]
  観測結果からサンプリング分布を学習する4つの方法を提案する。 実験により、学習されたサンプリング分布は、設計された最小縮退サンプリング分布よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2023-02-02T15:50:21Z)
• Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
  GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。 フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。 我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-05T20:45:01Z)

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。