論文の概要: Discrete Diffusion Models via Evolving Variational Autoregressive Networks
- arxiv url: http://arxiv.org/abs/2609.27306v1
- Date: Wed, 23 Sep 2026 03:37:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.861093
- Title: Discrete Diffusion Models via Evolving Variational Autoregressive Networks
- Title（参考訳）: 変分自己回帰ネットワークによる離散拡散モデル
- Abstract要約: 本稿では,変分自己回帰ネットワークを用いて正規化確率分布をパラメータ化する離散拡散モデルを提案する。
明示的マルコフジャンプ作用素は、高次元格子上のスピン系に正規化分布を持つ離散拡散モデルを拡張し、フォワード・ノイズングとリバース・デノナイジングのダイナミクスを支配している。
- 参考スコア（独自算出の注目度）: 2.9094811298062773
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conventional score-based diffusion models learn scores without representing normalized densities, whereas tractable normalized models support both sampling and direct likelihood evaluation. A recent tensor-network approach provides such a representation but is largely restricted to low-dimensional lattices. Here we introduce a discrete diffusion model that parameterizes normalized probability distributions using variational autoregressive networks. Explicit Markov jump operators govern the forward noising and reverse denoising dynamics, extending discrete diffusion models with normalized distributions to spin systems on higher-dimensional lattices. We apply this framework to the two- and three-dimensional Ising models across ordered, critical, and disordered regimes, accurately computing thermodynamic quantities including free energy, energy, and magnetization. We further integrate the framework with Monte Carlo sampling, using adaptive diffusion steps to maintain high acceptance rates even at low temperatures while enhancing sample diversity. These results establish a neural-network framework for the discrete diffusion model with normalized probability distributions.
- Abstract（参考訳）: 従来のスコアベース拡散モデルは正規化密度を表現せずにスコアを学習するが、トラクタブル正規化モデルはサンプリングと直接可能性評価の両方をサポートする。
最近のテンソル・ネットワークのアプローチはそのような表現を提供するが、主に低次元格子に制限される。
本稿では,変分自己回帰ネットワークを用いて正規化確率分布をパラメータ化する離散拡散モデルを提案する。
明示的マルコフジャンプ作用素は、高次元格子上のスピン系に正規化分布を持つ離散拡散モデルを拡張し、フォワード・ノイズングとリバース・デノナイジングのダイナミクスを支配している。
本研究では, 秩序, 臨界, 乱れた状態の2次元および3次元イジングモデルに適用し, 自由エネルギー, エネルギー, 磁化などの熱力学量について正確に計算する。
さらに,モンテカルロ法を用いて,低温でも高い受入率を維持しつつ,試料の多様性を高めつつ,適応拡散法を用いて,本フレームワークを更に統合する。
これらの結果は、正規化確率分布を持つ離散拡散モデルのためのニューラルネットワークの枠組みを確立する。
関連論文リスト
- From Independent to Correlated Diffusion: Generalized Generative Modeling with Probabilistic Computers [0.0]
拡散モデルは、ディープラーニングにおける生成タスクの強力なフレームワークとして登場した。
独立ノイズ注入をモンテカルロ力学に置き換えることでサンプリング成分を一般化する。
p-コンピュータが新しい拡散アルゴリズムのクラスを実現できることを示す。
論文 参考訳（メタデータ） (2026-03-30T03:36:20Z) - Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
量子離散化拡散確率モデル(QD3PM)を提案する。
これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。
本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
論文 参考訳（メタデータ） (2025-05-08T11:48:21Z) - Continuous Diffusion Model for Language Modeling [64.7425225935854]
離散的データに対する既存の連続拡散モデルは離散的手法と比較して性能が劣る。
本稿では,下層の分類分布の幾何学を組み込んだ言語モデリングのための連続拡散モデルを提案する。
本手法は,既存の離散拡散モデルより優れ,自己回帰モデルの性能にアプローチする。
論文 参考訳（メタデータ） (2025-02-17T08:54:29Z) - Discrete generative diffusion models without stochastic differential equations: a tensor network approach [1.5839621757142595]
拡散モデル(DM)は、生成機械学習の手法のクラスである。
ネットワーク(TN)を用いて,このような離散モデルを効率的に定義し,サンプリングする方法を示す。」
論文 参考訳（メタデータ） (2024-07-15T18:00:11Z) - Analyzing Neural Network-Based Generative Diffusion Models through Convex Optimization [45.72323731094864]
本稿では,2層ニューラルネットワークを用いた拡散モデル解析のための理論的枠組みを提案する。
我々は,1つの凸プログラムを解くことで,スコア予測のための浅層ニューラルネットワークのトレーニングが可能であることを証明した。
本結果は, ニューラルネットワークに基づく拡散モデルが漸近的でない環境で何を学習するかを, 正確に評価するものである。
論文 参考訳（メタデータ） (2024-02-03T00:20:25Z) - Unifying Diffusion Models' Latent Space, with Applications to
CycleDiffusion and Guidance [95.12230117950232]
関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。
テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
論文 参考訳（メタデータ） (2022-10-11T15:53:52Z)
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。