論文の概要: Posterior sampling by source-space MCMC via prior-based few-step transport maps

• arxiv url: http://arxiv.org/abs/2610.01034v1
• Date: Thu, 01 Oct 2026 04:21:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.892795
• Title: Posterior sampling by source-space MCMC via prior-based few-step transport maps
• Title（参考訳）: ソース空間MCMCによる先行数ステップトランスポートマップによる後部サンプリング
• Abstract要約: 我々は、ソース空間一般化ベイズ推論のためのフレームワークを開発する。 1段階または数段階改良されたMeanFlow(iMF)マップを使用して、事前表現を行う。 We establish Wasserstein error bounds between the exact and learned rears with the joint population iMF and assist-Vlocity loss。
• 参考スコア（独自算出の注目度）: 6.917545157041757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian inference increasingly uses informative but implicit priors represented only by samples, such as historical ensembles, simulator outputs, and pretrained generative models. The same computational problem appears in the test-time guidance task (generalized Bayes), where an explicit positive weight, e.g., an exponentiated reward, tilts an implicit prior. We develop a framework for source-space generalized Bayesian inference that combines inexpensive few-step prior transports with posterior stability guarantees. Specifically, we represent the prior using a one- or few-step improved MeanFlow (iMF) map and perform posterior sampling in its Gaussian source space. We establish Wasserstein error bounds between the exact and learned posteriors in terms of the joint population iMF and auxiliary-velocity loss, decomposed into training suboptimality and model-class approximation error. In the iMF source space, we adopt parallel tempering with preconditioned Crank-Nicolson updates and introduce a hybrid variant that incorporates split Hamiltonian Monte Carlo to improve sampling efficiency. Synthetic experiments show that the proposed framework can approximate posterior distributions accurately and efficiently, while CLIP-guided ImageNet experiments demonstrate its ability to steer a pretrained iMF image prior toward text-specified preferences.
• Abstract（参考訳）: ベイズ推論は、歴史的アンサンブル、シミュレーター出力、事前訓練された生成モデルなど、サンプルによってのみ表現される情報的だが暗黙的な先例をますます用いている。 同じ計算問題はテストタイムガイダンスタスク(一般化ベイズ)に現れ、明示的な正の重み(例:指数付報酬)が暗黙の先行を傾ける。 我々は、安価な数段先行輸送と後続安定保証を組み合わせた、ソース空間一般化ベイズ推定のためのフレームワークを開発する。 具体的には,1段または数段改良されたMeanFlow (iMF) マップを用いて事前表現を行い,ガウス音源空間で後方サンプリングを行う。 We established Wasserstein error between the exact and learned rears with the joint population iMF and assistant-velocity loss, splitposed into training suboptimality and model-class approximation error。 iMFソース空間では、事前条件付きクランク・ニコソン更新による並列テンパリングを採用し、分割されたハミルトンモンテカルロを組み込んだハイブリッド変種を導入してサンプリング効率を向上する。 CLIP誘導画像Net実験は、テキスト指定された嗜好に先立って、事前学習したiMF画像を操る能力を示した。

関連論文リスト

• Proximal-IMH: Proximal Posterior Proposals for Independent Metropolis-Hastings with Approximate Operators [4.887201041798969]
  本稿では,近似後部からのサンプルを補助最適化問題により補正する手法であるProximal-IMHを紹介する。 最適設定のために、近似補正が近似後部と正確な後部とのマッチングを締め付け、受容率と混合率を向上させることを証明した。 この方法は線形および非線形入力出力演算子の両方に適用され、特に正確な後方サンプリングが高価すぎる逆問題に向いている。
  論文  参考訳（メタデータ） (2026-02-24T22:58:50Z)
• Provable Diffusion Posterior Sampling for Bayesian Inversion [13.807494493914335]
  本稿では,プラグイン・アンド・プレイ・フレームワークにおける新しい拡散型後方サンプリング手法を提案する。 後続スコアを近似するために,ランゲヴィン力学を用いて粒子を生成するモンテカルロ推定器を開発した。 理論的には,非漸近誤差境界(non-asymptotic error bounds)を提供する。
  論文  参考訳（メタデータ） (2025-12-08T20:34:05Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
  事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。 本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-04T17:46:51Z)
• Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
  我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。 圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
  論文  参考訳（メタデータ） (2024-09-19T17:56:16Z)
• Flexible Bayesian Last Layer Models Using Implicit Priors and Diffusion Posterior Sampling [7.084307990641011]
  ベイズ最後の層重みの変分学習に拡散法と暗黙の先行法を組み合わせた新しい手法を提案する。 そこで本手法は,BLLモデルの表現能力を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-08-07T12:59:58Z)
• Divide-and-Conquer Posterior Sampling for Denoising Diffusion Priors [21.0128625037708]
  提案手法は, 分割・分散型後方サンプリング方式である。 これにより、再トレーニングを必要とせずに、現在のテクニックに関連する近似誤差を低減することができる。 ベイズ逆問題に対するアプローチの汎用性と有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T01:47:24Z)
• MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
  本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。 提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Langevin Monte Carlo for Contextual Bandits [72.00524614312002]
  Langevin Monte Carlo Thompson Sampling (LMC-TS) が提案されている。 提案アルゴリズムは,文脈的帯域幅の特別な場合において,最高のトンプソンサンプリングアルゴリズムと同じサブ線形残差を達成できることを示す。
  論文  参考訳（メタデータ） (2022-06-22T17:58:23Z)
• Posterior Refinement Improves Sample Efficiency in Bayesian Neural Networks [27.11052209129402]
  実験により、MC近似予測分布の鍵は、近似後部自体の品質であることが示された。 得られた後続近似は、ゴールド標準のフルバッチハミルトニアンモンテカルロでさえ競合することを示した。
  論文  参考訳（メタデータ） (2022-05-20T09:24:39Z)

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。