論文の概要: Steering Diffusion Models to Rare Events with Sequential Monte Carlo
- arxiv url: http://arxiv.org/abs/2610.08652v1
- Date: Tue, 06 Oct 2026 16:38:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:30.124257
- Title: Steering Diffusion Models to Rare Events with Sequential Monte Carlo
- Title（参考訳）: 連続モンテカルロによる希少事象への拡散モデルの適用
- Abstract要約: 我々は、希少な事象に向けて重み付きサンプルの集団を導く連続的なモンテカルロスキームを示す。
10～3ドルから10～5ドルの範囲で正確なレアイベント確率を得ることができ、モンテカルロ上空で9～13ドルというネットスピードアップを達成することができる。
- 参考スコア（独自算出の注目度）: 22.194107001890583
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models are increasingly used as surrogates for expensive simulators in weather prediction, molecular dynamics, and materials design. In these models, computing the probability $p_0[E]$ of an event $E$ is difficult, especially when the event of interest is rare. A stable estimate using Monte Carlo becomes computationally intractable, requiring a growing sample size $\propto\!1/p_0[E]$ to compensate for an increasing rarity. In this paper, we present Diffusion Importance Sampling of Rare Events or DireSMC, a sequential Monte Carlo scheme that guides a population of weighted samples towards the rare event, giving access not only to samples but also to a calibrated estimate of its probability. We set up our guidance using an analytical relaxation of the event set, allowing the method to easily extend to a wide range of user-defined rare events. We validate our method on a toy problem with analytical solutions and on a score-based climate emulator, where we obtain accurate rare-event probabilities on a range of rarities from $10^{-3}$ to $10^{-5}$, achieving net speed-ups of $9\times$ to $1413\times$ over Monte Carlo.
- Abstract（参考訳）: 拡散モデルは、天気予報、分子動力学、材料設計における高価なシミュレーターのサロゲートとしてますます使われている。
これらのモデルでは、イベントの確率$p_0[E]$を計算するのは困難である。
モンテカルロを用いた安定な推定は計算的に難解となり、サンプルサイズを$\propto\!
1/p_0[E]$。
本稿では,希少事象の拡散重要度サンプリング(Diffusion Importance Smpling of Rare Events or DireSMC)を提案する。
我々は、イベントセットの分析緩和を利用してガイダンスを設定し、その手法が幅広いユーザ定義のレアイベントに容易に拡張できるようにした。
我々は,分析解を用いた玩具問題と,スコアベースの気候エミュレータを用いて,10^{-3}$から10^{-5}$までの希少な希少確率を正確に取得し,9\times$から1413\times$をモンテカルロ上で達成した。
関連論文リスト
- Rare Event Estimation via Iterative Unalignment [8.0556095663079]
エージェントの行動の変動から生じる稀な事象の確率を推定する問題について検討する。
我々は,提案手法を構築するために,原モデルの重みを乱す新しいIS手法を開発した。
当社のISは,10～7ドル未満の確率を持つイベントに対して,モンテカルロを優越する計算重み付き効率の向上を800ドル以上達成しています。
論文 参考訳（メタデータ） (2026-09-21T17:53:38Z) - Adaptive Multilevel Twisted Sequential Monte Carlo for Rare Events Estimation in Language Models [7.332941410825274]
Twisted Sequential Monte Carlo (SMC)は、希少な確率推定のための原則的なフレームワークを提供する。
標準ツイスト学習フレームワークは、希少な目標分布からの正のサンプルに依存している。
本稿では, 漸進的に稀な中間事象の列を通して希少なねじれを学習する適応型マルチレベルツイスト付きSMCを提案する。
論文 参考訳（メタデータ） (2026-08-22T02:35:55Z) - Multilevel and Sequential Monte Carlo for Training-Free Diffusion Guidance [0.6015898117103069]
我々は、$p_(y|x_t)$の偏りのない推定子を構成するシーケンシャルなモンテカルロフレームワークを提案する。
ImageNetでは,既存の手法よりも1.5倍のコスト対コストの利点を達成している。
論文 参考訳（メタデータ） (2026-01-28T22:49:29Z) - FALCON: Few-step Accurate Likelihoods for Continuous Flows [78.37361800856583]
本稿では,FALCON(Few-step Accurate Likelihoods for Continuous Flows)を提案する。
FALCONは分子ボルツマンサンプリングのための最先端の正規化フローモデルより優れており、同等の性能を持つCNFモデルよりも2桁高速である。
論文 参考訳（メタデータ） (2025-12-10T18:47:25Z) - Large Language Monkeys: Scaling Inference Compute with Repeated Sampling [81.34900892130929]
モデルから候補解を繰り返しサンプリングする簡単な手法を用いて、推論計算をスケーリングのための別の軸として検討する。
複数のタスクやモデルにまたがって、カバレッジは4桁以上のサンプル数でスケールする。
コードや形式的証明のようなドメインでは、回答が自動的に検証されるので、カバレッジの増加は直接的にパフォーマンスの向上につながります。
論文 参考訳（メタデータ） (2024-07-31T17:57:25Z) - How Low Can You Go? Surfacing Prototypical In-Distribution Samples for Unsupervised Anomaly Detection [48.30283806131551]
非常に少ないトレーニングサンプルを持つUADが、トレーニングデータセット全体のトレーニングパフォーマンスにすでに一致している - そして、場合によっては、それを超えることもある、ということが、私たちは示しています。
そこで本研究では,UAD性能をさらに向上させるために,原型標本を確実に同定するための教師なし手法を提案する。
論文 参考訳（メタデータ） (2023-12-06T15:30:47Z) - A Flow-Based Generative Model for Rare-Event Simulation [0.483420384410068]
本研究では,正規化フロー生成モデルを用いて,条件分布から直接サンプルをシミュレートする手法を提案する。
希少な分布から直接シミュレートすることで、希少な事象の発生の仕方において重要な洞察を得ることができることを示す。
論文 参考訳（メタデータ） (2023-05-13T08:25:57Z) - NeFSAC: Neurally Filtered Minimal Samples [90.55214606751453]
NeFSACは、動作不整合で条件の悪い最小サンプルをニューラルネットワークでフィルタリングするための効率的なアルゴリズムである。
NeFSACは既存のRANSACベースのパイプラインに接続できる。
公開されている3つの実世界のデータセットから100万枚以上のイメージペアでNeFSACをテストしました。
論文 参考訳（メタデータ） (2022-07-16T08:02:05Z) - ExGAN: Adversarial Generation of Extreme Samples [33.70161373245072]
極端なイベントから生じるリスクを緩和することは、多くのアプリケーションにとって基本的な目標である。
GAN(Generative Adversarial Networks)に基づく既存のアプローチは、現実的なサンプルを生成するのに優れている。
我々は,現実的で極端なサンプルを生成するためのGANベースのアプローチであるExGANを提案する。
論文 参考訳（メタデータ） (2020-09-17T17:59:36Z) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳（メタデータ） (2020-02-21T14:03:16Z)
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。