Fugu-MT 論文翻訳(概要): Accurate Sampling from Diffusion Models

論文の概要: Accurate Sampling from Diffusion Models

arxiv url: http://arxiv.org/abs/2609.29902v1
Date: Thu, 24 Sep 2026 14:45:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 14:46:57.655581
Title: Accurate Sampling from Diffusion Models
Title（参考訳）: 拡散モデルからの正確なサンプリング
Abstract要約: DM-SMC (Diffusion Model - Sequential Monte Carlo) と呼ばれる新しい提案が検討され、アンサンブルからのサンプルに基づいて訓練された拡散モデルを用いて、アクションの観点から定義されたアンサンブルをサンプリングする。 SMCセットアップは、近似拡散モデルとプロセスの数値解に使用される有限ステップサイズにもかかわらず、正確なサンプリングを可能にする。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A new proposal called DM-SMC (Diffusion Model - Sequential Monte Carlo) is investigated, which samples ensembles defined in terms of an action, using diffusion models trained on samples from the ensemble. The SMC setup allows for accurate sampling in spite of an approximate diffusion model and the finite stepsize used in the numerical solution of the stochastic process. Improved update strategies are also investigated. Results are presented for a $Z_2$ symmetric scalar field theory in 2 dimensions near its 2nd order phase transition.
Abstract（参考訳）: DM-SMC (Diffusion Model - Sequential Monte Carlo) と呼ばれる新しい提案が検討され、アンサンブルからのサンプルに基づいて訓練された拡散モデルを用いて、アクションの観点から定義されたアンサンブルをサンプリングする。 SMCのセットアップは、近似拡散モデルと確率過程の数値解で用いられる有限ステップサイズにもかかわらず、正確なサンプリングを可能にする。改善された更新戦略も検討されている。結果は、Z_2$対称スカラー場の理論を第2次相転移に近い2次元で表す。

関連論文リスト

Diffusion model for SU(N) gauge theories [0.0]
暗黙のスコアマッチングは、拡散モデルの訓練に計算的に効率的なアプローチを提供する。拡散モデルの訓練を成功させ,ウィルソンゲージ動作のサンプリングに適用できることが示される。
論文参考訳（メタデータ） (2026-05-07T12:34:27Z)
Synergizing Transport-Based Generative Models and Latent Geometry for Stochastic Closure Modeling [1.665466637453776]
低次元潜在空間における流れのマッチングは閉包モデルの高速サンプリングに適していることを示す。我々は、潜時空間の歪みを制御し、サンプリングされた閉包項の物理的忠実度を確保する。
論文参考訳（メタデータ） (2026-02-19T05:24:00Z)
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)
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)
Generative Modeling with Bayesian Sample Inference [50.07758840675341]
我々は,反復的なガウス後部推論から新しい生成モデルを導出した。我々のモデルは、未知のサンプルを反復的に絞り込むために、一連の予測と後続の更新ステップを使用する。実験では,BFNと近縁な変分拡散モデルの両方に対して,ImageNet32のサンプル品質が向上することが実証された。
論文参考訳（メタデータ） (2025-02-11T14:27:10Z)
Geophysical inverse problems with measurement-guided diffusion models [0.4532517021515834]
DPS(Diffusion Posterior Sampling)とPGDM(Pseudo-inverse Guided Diffusion Model)という2つのサンプリングアルゴリズムを提案する。 DPSでは、解の1ステップの denoising 推定から得られた残差に対して、モデリング演算子の随伴を応用して誘導項を得る。一方、PGDMは擬逆演算子を用いており、これは一段階の分極解が決定論的でないことを起源としている。
論文参考訳（メタデータ） (2025-01-08T23:33:50Z)
Accelerating Markov Chain Monte Carlo sampling with diffusion models [0.0]
本稿では,Metropolis-Hastingsアルゴリズムと拡散モデルを組み合わせることで,マルコフ・チェイン・モンテカルロ(MCMC)サンプリングを高速化する新しい手法を提案する。画像合成の文脈における拡散モデルについて概観し、低次元データアレイに適した流線形拡散モデルを提供する。提案手法は,後方の正確な表現を得るために必要な可能性評価の回数を大幅に削減する。
論文参考訳（メタデータ） (2023-09-04T09:03:41Z)
Restoration-Degradation Beyond Linear Diffusions: A Non-Asymptotic Analysis For DDIM-Type Samplers [90.45898746733397]
本研究では拡散生成モデルに用いる決定論的サンプリング器の非漸近解析のためのフレームワークを開発する。確率フローODEに沿った1ステップは,1) 条件付き対数線上を無限に先行して上昇する回復ステップ,2) 雑音を現在の勾配に向けて前向きに進行する劣化ステップの2段階で表すことができる。
論文参考訳（メタデータ） (2023-03-06T18:59:19Z)
Reversible Gromov-Monge Sampler for Simulation-Based Inference [3.725559762520257]
本稿では,多次元確率分布のモデル化とサンプル化のためのシミュレーションに基づく新しい推論手法を提案する。 M'emoli (2011) と Sturm (2012) の距離と計量測度空間の間の同型性に関する研究に動機付けられ、可逆グロモフ・モンジュ距離 (Reversible Gromov-Monge distance) と呼ばれる新しい概念を提案する。
論文参考訳（メタデータ） (2021-09-28T23:09:24Z)
Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文参考訳（メタデータ） (2021-02-04T02:21:08Z)

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。