論文の概要: Distributionally Robust Schrödinger Bridge

• arxiv url: http://arxiv.org/abs/2610.02043v1
• Date: Thu, 01 Oct 2026 16:54:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.313857
• Title: Distributionally Robust Schrödinger Bridge
• Title（参考訳）: ロバスト・シュレーディンガー橋
• Abstract要約: シュルディンガー橋(SB)は、所定の初期分布と目標分布の間の輸送を学習する。 本稿では,初期分布の不確実性を考慮した単一制御系を学習する分散ロバスト・シュルディンガー橋(DRSB)について紹介する。 DRSBは、この目的の最悪の値を最小限に抑える単一のコントローラを求める。
• 参考スコア（独自算出の注目度）: 9.661638226971158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Schrödinger bridge (SB) learns stochastic transport between prescribed initial and target distributions. When the initial distribution shifts at test time, the learned dynamics can fail to recover the target distribution. We introduce the Distributionally Robust Schrödinger Bridge (DRSB), which learns a single controller that accounts for uncertainty in the initial distribution. The DRSB objective consists of control energy and a KL penalty between the resulting terminal distribution and the target distribution. DRSB seeks a single controller that minimizes the worst-case value of this objective as the initial distribution varies within an ambiguity set around the nominal distribution. We derive an exact variational formulation of this objective and connect its fixed-terminal-cost subproblem to stochastic optimal control and distributionally robust optimization. This formulation motivates an alternating algorithm that updates the adversarial initial distribution, estimates the terminal log-density ratio, and trains the controller. We develop Wasserstein and Sinkhorn variants using stochastic control optimality conditions to approximate the gradients required for adversarial updates. Experiments on two-dimensional transport tasks and image-to-image translation show improved robustness to input perturbations relative to standard SB, with a tradeoff in nominal performance. On Gaussian mixture transport, Sinkhorn DRSB also achieves lower mean sliced Wasserstein distance than fixed-level noise augmentation at both tested unseen noise levels.
• Abstract（参考訳）: シュレーディンガー橋(SB)は、所定の初期分布と目標分布の間の確率的輸送を学習する。 初期分布がテスト時にシフトすると、学習されたダイナミクスはターゲット分布の回復に失敗する可能性がある。 本稿では,初期分布の不確実性を考慮した単一制御系を学習する分散ロバスト・シュレーディンガー橋(DRSB)について紹介する。 DRSBの目的は、制御エネルギーと、結果の終端分布と目標分布との間のKLペナルティからなる。 DRSBは、初期分布が名目分布を中心に設定されたあいまいさの範囲内で変化するため、この目的の最悪の値を最小限に抑える単一のコントローラを求める。 この目的の正確な変分定式化を導出し、その固定終端コストのサブプロブレムを確率的最適制御と分布論的ロバストな最適化に接続する。 この定式化は、相手の初期分布を更新し、端末の対数密度比を推定し、コントローラを訓練する交互アルゴリズムを動機付けている。 We developed Wasserstein and Sinkhorn variants using stochastic control optimality conditions to almost the gradients required for adversarial updates。 2次元トランスポートタスクとイメージ・ツー・イメージ変換の実験では、標準的なSBに対する入力摂動に対する頑健さが向上し、名目性能のトレードオフが見られた。 ガウス混合輸送では、シンクホーン DRSB は、両試験された未確認ノイズレベルにおける固定レベルノイズ増大よりも、平均スライスされたワッサースタイン距離を低くする。

関連論文リスト

• Constrained Diffusion Models with Primal-Dual Inference [76.64466170898369]
  我々はPDI(primal-Dual Inference)を用いた制約付き拡散モデルを開発する。 PDIは最適原始分布とそのパラメトリゼーション双対変数を推定する。 我々は、ガウシアン、無線リソースアロケーション、ポートフォリオ管理の混合による制約サンプリングに基づくPDIを評価する。
  論文  参考訳（メタデータ） (2026-06-15T18:32:33Z)
• Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
  本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。 このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。 安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
  論文  参考訳（メタデータ） (2026-03-07T01:49:59Z)
• DPAC: Distribution-Preserving Adversarial Control for Diffusion Sampling [0.7866885337535715]
  逆導拡散サンプリングは、しばしばターゲットクラスを達成するが、サンプルの品質は、逆制御された軌道と名目軌道とのずれが蓄積するにつれて低下する。 制御された(制御されていない)拡散過程間の経路空間Kullback-Leibler分散(path-KL)としてこの分解を定式化する。 この経路-KLの最小化は、ワッサーシュタイン距離とフレシェ・インセプション距離(FID)の両方の上限を同時に締め付け、対向制御エネルギーと知覚忠実度との接続を明らかにする。
  論文  参考訳（メタデータ） (2025-12-01T00:15:05Z)
• Duality and Policy Evaluation in Distributionally Robust Bayesian Diffusion Control [8.863520091178335]
  予測端末数値ユーティリティの拡散制御問題について考察する。 コントローラは、基礎となる拡散の未知のドリフトに事前分布を課す。 実際には、前者は一般的に誤って指定され、モデルの誤特定の程度は、政策のパフォーマンスに重大な影響を与える可能性がある。 本稿では, ベースラインの分岐近傍で事前選択した相手に対して, コントローラがゲームをする, 分布的に堅牢なベイズ制御(DRBC)の定式化を導入する。
  論文  参考訳（メタデータ） (2025-06-24T03:58:49Z)
• Latent Schrodinger Bridge: Prompting Latent Diffusion for Fast Unpaired Image-to-Image Translation [58.19676004192321]
  ノイズからの画像生成とデータからの逆変換の両方を可能にする拡散モデル (DM) は、強力な未ペア画像対イメージ(I2I)翻訳アルゴリズムにインスピレーションを与えている。 我々は、最小輸送コストの分布間の微分方程式(SDE)であるSchrodinger Bridges (SBs) を用いてこの問題に取り組む。 この観測に触発されて,SB ODE を予め訓練した安定拡散により近似する潜在シュロディンガー橋 (LSB) を提案する。 提案アルゴリズムは,従来のDMのコストをわずかに抑えながら,教師なし環境での競合的I2I翻訳を実現していることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:24:14Z)
• 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)
• Soft-constrained Schrodinger Bridge: a Stochastic Control Approach [4.922305511803267]
  シュル「オーディンガー橋」は、最適に制御された拡散過程を見つけることを目標とする連続時間制御問題と見なすことができる。 本稿では,両分布間のKulback-Leiblerの相違を罰し,端末分布を目標と異なるものにすることで,この問題を一般化することを提案する。 1つの応用は、堅牢な生成拡散モデルの開発である。
  論文  参考訳（メタデータ） (2024-03-04T04:10:24Z)
• 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。