論文の概要: Amortised Inference through One-Step Implicit Sampling

• arxiv url: http://arxiv.org/abs/2610.12679v1
• Date: Thu, 08 Oct 2026 20:01:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.262678
• Title: Amortised Inference through One-Step Implicit Sampling
• Title（参考訳）: ワンステップインプリシトサンプリングによる補正推論
• Abstract要約: データ駆動型生成モデリングの最近の進歩の上に構築され、一段階補正サンプリングの可能なソリューションを提供する。 我々の一段階の暗黙的サンプリング(OSIS)は、暗黙的にモデル化された分布の進化アルゴリズムの局所的ターゲットを定義するために、短時間MCMCのダイナミクスを使用する。 我々は,OSISがサンプリング時間においてはるかに効率的でありながら,マルチステップのアモルト化サンプリングや非アモルト化MCMCベースラインと比較して優れた性能を示した。
• 参考スコア（独自算出の注目度）: 12.060176933856802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient sampling from Bayesian posterior distributions in high dimensions remains a hard problem, despite advances in theory and algorithms. Multiple steps are usually required to draw unbiased samples, for example, iterations of an MCMC algorithm or integration steps in a diffusion-based amortised sampler. However, scalable one-step amortised inference remains a challenging open problem. In this work, we build upon recent progress in data-driven generative modelling to offer a possible solution for one-step amortised sampling. Our one-step implicit sampler (OSIS) uses short-time MCMC dynamics to define a local target for the evolution of an implicitly modelled distribution. In the asymptotic limit, the modelled distribution is a fixed point of the MCMC kernel and thus samples from the target. We analyse the convergence properties of OSIS and show connections with other generative modelling and sampling algorithms. We study various design choices and show that OSIS performs well compared to multi-step amortised samplers and non-amortised MCMC baselines while being far more efficient at sampling time.
• Abstract（参考訳）: 高次元のベイズ分布からの効率的なサンプリングは、理論やアルゴリズムの進歩にもかかわらず難しい問題である。 複数のステップは、例えばMCMCアルゴリズムの反復や拡散に基づく補正サンプルの積分ステップなど、偏りのないサンプルを描くために通常必要である。 しかし、スケーラブルなワンステップ補正推論は依然として難しいオープンな問題である。 本研究では,データ駆動型生成モデリングの最近の進歩を基盤として,一段階補正サンプリングの可能なソリューションを提供する。 我々の一段階の暗黙的サンプリング(OSIS)は、暗黙的にモデル化された分布の進化の局所的ターゲットを定義するために、短時間のMCMCダイナミクスを使用する。 漸近的極限において、モデル化された分布はMCMCカーネルの固定点であり、したがってターゲットからのサンプルである。 我々は、OSISの収束特性を分析し、他の生成的モデリングおよびサンプリングアルゴリズムとの接続を示す。 我々は,OSISの様々な設計選択について検討し,OSISがサンプリング時間においてはるかに効率的でありながら,多段階補正サンプリングや非アモータイズMCMCベースラインと比較して優れた性能を示す。

関連論文リスト

• Nested Slice Sampling: Vectorized Nested Sampling for GPU-Accelerated Inference [0.4999814847776097]
  本稿では,Nested Slice Smpling (NSS)について紹介する。 チューニング解析により、スライス幅の設定、高次元の挙動の改善、ステップごとの計算をより予測可能な簡単な準最適ルールが得られる。
  論文  参考訳（メタデータ） (2026-01-30T18:20:32Z)
• One-Step Diffusion Samplers via Self-Distillation and Deterministic Flow [24.67443222055996]
  既存のサンプリングアルゴリズムは通常、高品質なサンプルを作成するために多くの反復的なステップを必要とする。 ステップ条件のODEを学習する1ステップ拡散サンプリング器を提案する。 標準のELBO推定値が数ステップで劣化するのは、よく見られる離散的な収差が前方/後方遷移カーネルと一致していないためである。
  論文  参考訳（メタデータ） (2025-12-04T20:57:53Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Chance-constrained Flow Matching for High-Fidelity Constraint-aware Generation [46.932479632530764]
  Chance-Constrained Flow Matchingは、最適化をサンプリングプロセスに統合し、ハード制約の効果的な適用を可能にする。 実験により、CCFMは複雑な物理系のモデリングにおいて、現在の最先端の制約付き生成モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-29T17:56:52Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Convergence Of Consistency Model With Multistep Sampling Under General Data Assumptions [11.317363635566517]
  自己整合性特性がトレーニング分布のほぼ下にある場合の整合性モデルの収束性について検討する。 私たちの分析では、軽度のデータ仮定しか必要とせず、フォワードプロセスのファミリーに適用される。
  論文  参考訳（メタデータ） (2025-05-06T05:31:10Z)
• Neural Flow Samplers with Shortcut Models [19.81513273510523]
  連続フローベースのニューラルサンプリングは、非正規化された密度からサンプルを生成するための有望なアプローチを提供する。 速度駆動型Sequential Monte Carlo法を用いて,これらの課題量に対する改良された推定器を提案する。 提案するニューラルフローショートカットサンプリングは,合成データセットと複雑なnボディシステムターゲットの両方において,既存のフローベースニューラルサンプリングよりも経験的に優れている。
  論文  参考訳（メタデータ） (2025-02-11T07:55:41Z)
• Unified Convergence Analysis for Score-Based Diffusion Models with Deterministic Samplers [49.1574468325115]
  決定論的サンプリングのための統合収束分析フレームワークを提案する。 我々のフレームワークは$tilde O(d2/epsilon)$の反復複雑性を実現する。 また,Denoising Implicit Diffusion Models (DDIM) タイプのサンプルについて詳細な分析を行った。
  論文  参考訳（メタデータ） (2024-10-18T07:37:36Z)
• Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
  反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。 提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
  論文  参考訳（メタデータ） (2024-02-09T01:11:23Z)
• Deterministic Gibbs Sampling via Ordinary Differential Equations [77.42706423573573]
  本稿では,自律的ODEとツールを用いた決定論的測度保存ダイナミクスの一般構築について述べる。 我々は、ハイブリッドモンテカルロや他の決定論的サンプルが、我々の理論の特別な場合としてどのように従うかを示す。
  論文  参考訳（メタデータ） (2021-06-18T15:36:09Z)

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。