論文の概要: SIMANF: Sample Free Learning of Unnormalized Distributions via Simulated Annealing in Normalizing Flows

• arxiv url: http://arxiv.org/abs/2609.32279v1
• Date: Sat, 26 Sep 2026 06:12:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 18:06:44.279472
• Title: SIMANF: Sample Free Learning of Unnormalized Distributions via Simulated Annealing in Normalizing Flows
• Title（参考訳）: SIMANF: 正規化流れにおける模擬アニーリングによる非正規化分布のサンプル自由学習
• Abstract要約: SIMANFは、模擬アニーリングと正規化フローを統合する、サンプルフリーフレームワークである。 マルチウェル分布と高次元スカラーPhi4格子場分布に有効性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficiently learning and sampling from high dimensional, multimodal unnormalized distributions without target samples remains a challenging problem. Although normalizing flows can generate samples efficiently, training based on the reverse KL divergence using only the unnormalized target density may suffer from mode collapse. We introduce SIMANF, a sample free framework that integrates simulated annealing with normalizing flows. SIMANF progressively transforms the target distribution from a smooth initial form to the original target distribution and trains the flow sequentially across these stages. By transferring the learned representation between stages, the method promotes mode coverage while progressively capturing finer features of the target distribution. Following annealing, a final refinement stage combines the reverse KL divergence with an importance weighted forward KL objective using samples generated by the flow. SIMANF requires no target samples during training and uses only the unnormalized density. We demonstrate its effectiveness on Many-Well distributions and high dimensional Scalar Phi4 lattice field theory distribution.
• Abstract（参考訳）: ターゲット標本を含まない高次元多モード非正規分布から効率よく学習し、サンプリングすることは難しい問題である。 正規化フローはサンプルを効率的に生成できるが、非正規化ターゲット密度のみを用いた逆KL分散に基づくトレーニングはモード崩壊に悩まされる可能性がある。 我々は,シミュレートされたアニーリングと正規化フローを統合する,サンプルフリーフレームワークSIMANFを紹介する。 SIMANFは、目標分布をスムーズな初期形式から元の目標分布に段階的に変換し、これらの段階にわたって順次フローを訓練する。 学習した表現を段階間で転送することにより、ターゲット分布のより細かい特徴を段階的に捉えながら、モードカバレッジを促進する。 焼鈍後、最終精製段階は、逆KL分岐と、フローによって生成されたサンプルを用いて重み付けされた前方KL目標とを結合する。 SIMANFはトレーニング中にターゲットサンプルを必要とせず、正規化されていない密度のみを使用する。 マルチウェル分布と高次元スカラーPhi4格子場分布に有効性を示す。

関連論文リスト

• FUND: Density Flow for Sampling Unnormalised Distributions [5.204468049641428]
  トレーニングに真のサンプルを必要としないボルツマン分布の学習アルゴリズムを提案する。 本稿では,2次元ガウス混合法,多値分布法,高次元スカラー4$理論など,標準ベンチマークによる評価を行った。
  論文  参考訳（メタデータ） (2026-09-26T06:40:13Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• End-To-End Learning of Gaussian Mixture Priors for Diffusion Sampler [15.372235873766812]
  学習可能な混合前駆体は、探索の制御を改善し、目標支援への適応性を高め、モード崩壊に対抗するために増強する。 実験結果から,様々な実環境および総合的なベンチマーク問題に対して,大幅な性能向上が得られた。
  論文  参考訳（メタデータ） (2025-03-01T14:58:14Z)
• Enhanced Importance Sampling through Latent Space Exploration in Normalizing Flows [69.8873421870522]
  重要サンプリングはモンテカルロシミュレーションで使われる稀な事象シミュレーション手法である。 正規化フローの潜在空間における提案分布を更新し,より効率的なサンプリング法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T21:18:02Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Training Neural Samplers with Reverse Diffusive KL Divergence [36.549460449020906]
  非正規化密度関数からサンプルを得るための生成モデルを訓練することは、機械学習において重要かつ困難な課題である。 従来の訓練方法は、そのトラクタビリティのため、逆のKL(Kulback-Leibler)の分岐に依存することが多い。 モデルおよび対象密度の拡散軌跡に沿った逆KLの最小化を提案する。 本手法はボルツマン分布のサンプリング性能を向上させることを実証する。
  論文  参考訳（メタデータ） (2024-10-16T11:08:02Z)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)

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。