論文の概要: Learning Graph Energies for Finite-Time Generation

• arxiv url: http://arxiv.org/abs/2610.19946v1
• Date: Wed, 14 Oct 2026 10:29:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.102341
• Title: Learning Graph Energies for Finite-Time Generation
• Title（参考訳）: 有限時間生成のためのグラフエネルギーの学習
• Abstract要約: エネルギーベースのモデルは、分子グラフのような離散構造上の分布を表現することができる。 本研究では,メトロポリス・ハスティングス・サンプルラーの受入エネルギーを,所定のステップの後に返却する分布に適応させる有限ホライゾンエネルギー学習を導入する。
• 参考スコア（独自算出の注目度）: 5.4880884327851644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy-based models can represent distributions over discrete structures such as molecular graphs, but an energy that is accurate at equilibrium need not yield accurate samples when the sampler stops after a fixed number of steps. We introduce finite-horizon energy learning, which adapts the acceptance energy of a Metropolis--Hastings sampler to the distribution it returns after a prescribed number of steps, with initialization, proposals, and annealing schedule held fixed. For graph generation, a frozen pretrained model supplies initialization and proposals, and a learned energy governs acceptance. A training-only discriminator scores completed samples, and coupled continuations of the accepted and rejected branches of a proposal give an acceptance-gradient estimator that is unbiased for a fixed discriminator under stated conditions, without equilibrated negative samples or differentiation through discrete states. Generation uses the learned energy in the original single-trajectory sampler, without discriminator evaluations or reranking. On twelve pairwise binary targets with exactly evaluated terminal laws, learned energies have lower median terminal total variation than the equilibrium-correct energy in every tested short-horizon setting, and than its numerically tuned scalar multiple in most settings. On MOSES, a learned two-coefficient combination of pretrained Graph Energy Matching (GEM) potentials lowers FCD by 3.7--10.5\% relative to scale-calibrated GEM at matched sampling steps, with validity gains at the shortest budget and a sub-point validity trade-off at higher budgets.
• Abstract（参考訳）: エネルギーベースのモデルは、分子グラフのような離散構造上の分布を表現することができるが、平衡で正確なエネルギーは、サンプルが固定された数ステップ後に停止したときに正確なサンプルを得る必要はない。 本研究では,メトロポリス・ハスティングス・サンプルの受入エネルギーを,初期化,提案,アニーリングスケジュールを定め,所定のステップの後に返却する分布に適応させる有限ホライゾンエネルギー学習を導入する。 グラフ生成では、凍結した事前学習モデルが初期化と提案を提供し、学習エネルギーが受容を支配する。 訓練専用判別器は、完了したサンプルをスコアし、提案の受理および棄却された分岐の結合継続により、決定された条件下で固定された判別器に偏りのない受入段階推定器を与える。 生成は、識別器の評価や再分類なしに、元の単軌道サンプリング器で学習エネルギーを使用する。 正確に評価された終端法則を持つ12対の双対ターゲットにおいて、学習エネルギーは、テストされた短水平設定毎に平衡補正エネルギーよりも、ほとんどの設定において数値的に調整されたスカラー倍よりも、中央値の総変動が低い。 MOSESでは、事前学習されたグラフエネルギーマッチング(GEM)ポテンシャルの2係数結合は、一致したサンプリングステップでのスケール校正GEMと比較してFCDを3.7～10.5%低下させ、最短予算での妥当性向上と高予算でのサブポイント有効トレードオフをもたらす。

関連論文リスト

• ResOPD: Tail Residualization for Sparse On-Policy Distillation [25.123322898662565]
  オンライン蒸留は学生モデルを自己生成軌道上で訓練する。 教師の密集した分布を 長い推論の痕跡に伝達すると 通信の禁止と 記憶のボトルネックが生じる 本稿では,非バイアス付き完全語彙逆KL勾配推定を行うResOPD(On-Policy Distillation with Tail Residualization)を提案する。
  論文  参考訳（メタデータ） (2026-10-04T02:43:39Z)
• Discrete energy as an exact label-free training objective for finite-element surrogates [0.8125368885437911]
  このノートは、証明とともに、このシグナルを線形エラストスタットに正確に示すアイデンティティを記録している。 硬度ノルムにおけるラベルのない離散エネルギー最小化と教師付き回帰は、各点で同じ一意な最小化と同一の勾配を持つ。
  論文  参考訳（メタデータ） (2026-08-05T22:15:38Z)
• SURGE: Approximation and Training Free Particle Filter for Diffusion Surrogate [10.190682562038047]
  本研究では,拡散モデルを用いてシステムのダイナミクスをシミュレーションし,予測する。 本研究では,騒音観測から得られる情報を組み込んで,予測されたシステム状態の継続的な修正と改善を可能にする方法について検討する。
  論文  参考訳（メタデータ） (2026-05-18T17:59:00Z)
• A Generative Sampler for distributions with possible discrete parameter based on Reversibility [9.349846971147256]
  本稿では,多種多様な状態空間にまたがって適用可能な,統一的かつ段階的な目標自由な生成サンプリングフレームワークを提案する。 我々は,前方と後方のマルコフ軌道の関節分布の最大平均差 (MMD) を最小化する。 実験により,本フレームワークは熱力学観測器を正確に再現し,すべてのレシエーションでモードスイッチング動作を捉えていることがわかった。
  論文  参考訳（メタデータ） (2026-03-10T06:32:51Z)
• Temper-Then-Tilt: Principled Unlearning for Generative Models through Tempering and Classifier Guidance [51.532841645285835]
  本研究では,タスクを目標分布に対する密度比推定としてフレーミングすることで,大規模生成モデルにおける機械学習について検討する。 左折集合がシャープで集中したデータ分布を表す場合、有限サンプルで忠実に解けないことを示す。 本稿では,基本モデルを凍結し,二段階の推論手法を適用したTemper-Then-Tilt Unlearning(T3-Unlearning)を提案する。
  論文  参考訳（メタデータ） (2026-02-10T19:08:40Z)
• Energy-Guided Flow Matching Enables Few-Step Conformer Generation and Ground-State Identification [45.52894539097255]
  本稿では,明示的な学習エネルギーモデルとフローマッチングを結合する統合フレームワークであるEnFlowを紹介する。 サンプリング中にエネルギー段階的な誘導を取り入れることで,低エネルギー領域への軌道を導出する。 さらに、学習したエネルギー関数は、生成したアンサンブルの効率的なエネルギーベースのランク付けを可能にし、正確な基底状態の同定を可能にする。
  論文  参考訳（メタデータ） (2025-12-27T14:00:22Z)
• 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)
• 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)
• A Block Metropolis-Hastings Sampler for Controllable Energy-based Text Generation [78.81021361497311]
  我々は,大規模言語モデルの反復的プロンプトを通じて,各ステップにおけるシーケンス全体の書き直しを提案する新しいメトロポリス・ハスティングス(MH)サンプリング器を開発した。 対象分布からより効率的かつ正確なサンプリングが可能となり, (b) 事前に固定するのではなく, サンプリング手順により生成長を決定することが可能となった。
  論文  参考訳（メタデータ） (2023-12-07T18:30:15Z)
• Proposal Distribution Calibration for Few-Shot Object Detection [65.19808035019031]
  few-shot object detection (FSOD)では、重度のサンプル不均衡を軽減するために、2段階の訓練パラダイムが広く採用されている。 残念ながら、極端なデータ不足は、提案の分布バイアスを増大させ、RoIヘッドが新しいクラスに進化するのを妨げます。 本稿では,RoIヘッドのローカライゼーションと分類能力を高めるために,単純かつ効果的な提案分布キャリブレーション(PDC)手法を提案する。
  論文  参考訳（メタデータ） (2022-12-15T05:09:11Z)

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。