論文の概要: Jumping up and down: Denoiser diffusion models for discrete ordinal data

• arxiv url: http://arxiv.org/abs/2610.02754v1
• Date: Fri, 02 Oct 2026 03:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.196288
• Title: Jumping up and down: Denoiser diffusion models for discrete ordinal data
• Title（参考訳）: 上下跳躍:離散順序データに対するデノイザー拡散モデル
• Abstract要約: Jumping Up and Down (JUD)は、離散順序データのためのデノイザーに基づく拡散モデルの新しいファミリーである。 これは、ディナイザの訓練を中心とした順序データに対する初めての拡散モデルである。 トレーニング対象の単純さは、双方向の摂動の柔軟性と相まって、異なるデータモダリティ間で競合する結果が得られる。
• 参考スコア（独自算出の注目度）: 7.873384401007258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models are highly developed in continuous spaces for image and video domains. Recently, major advances have been made for discrete diffusion models for categorical data, specifically in the language domain. In contrast, diffusion models for discrete integer-valued data are less developed, despite the prevalence of this modality, ranging from images and music to gene counts. We introduce Jumping Up and Down (JUD)---a new family of denoiser-based diffusion models for discrete ordinal data. This is the first family of diffusion models for ordinal data which centers around training denoisers, which at the same time allows for bi-directional (up and down) perturbations of the data. The simplicity of the training objective, combined with the flexibility of bi-directional perturbations, leads us to obtain competitive results across different data modalities.
• Abstract（参考訳）: 拡散モデルは、画像領域とビデオ領域の連続空間において高度に開発されている。 近年,分類データの離散拡散モデル,特に言語領域において大きな進歩がなされている。 対照的に、画像や音楽から遺伝子数まで、このモダリティの流行にもかかわらず、離散的な整数値データの拡散モデルは少ない。 本稿では,Jumping Up and Down (JUD)について紹介する。 これは、訓練用デノイザを中心とした順序データに対する最初の拡散モデルであり、同時にデータの双方向(上下)摂動を可能にする。 トレーニング対象の単純さは、双方向の摂動の柔軟性と相まって、異なるデータモダリティ間で競合する結果が得られる。

関連論文リスト

• DS-Diffusion: Data Style-Guided Diffusion Model for Time-Series Generation [3.7098771725459336]
  時系列生成タスクのためのデータスタイル誘導拡散モデル(DS-Diffusion)を提案する。 DS-Diffusionは、条件付きガイダンスを導入するためにフレームワーク全体をトレーニングするのを避ける。 生成されたサンプルは、それらが発するデータスタイルを明確に示すことができる。
  論文  参考訳（メタデータ） (2025-09-23T03:06:39Z)
• 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)
• Graph Representation Learning with Diffusion Generative Models [0.0]
  我々は、グラフデータの意味のある埋め込みを学習するために、オートエンコーダフレームワーク内で離散拡散モデルを訓練する。 エンコーダの出力とデコーダの最初のステップの埋め込みから表現を抽出する。 本手法は,グラフ表現学習に使用する離散拡散モデルの可能性を示す。
  論文  参考訳（メタデータ） (2025-01-22T07:12:10Z)
• Constrained Diffusion Models via Dual Training [80.03953599062365]
  拡散プロセスは、トレーニングデータセットのバイアスを反映したサンプルを生成する傾向がある。 所望の分布に基づいて拡散制約を付与し,制約付き拡散モデルを構築する。 本稿では,制約付き拡散モデルを用いて,目的と制約の最適なトレードオフを実現する混合データ分布から新しいデータを生成することを示す。
  論文  参考訳（メタデータ） (2024-08-27T14:25:42Z)
• Diffusion Models in Vision: A Survey [73.10116197883303]
  拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。 拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
  論文  参考訳（メタデータ） (2022-09-10T22:00:30Z)

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。