論文の概要: Learning on-the-fly quasi-stationarity diagnostics from low-dimensional surrogates

• arxiv url: http://arxiv.org/abs/2610.36078v2
• Date: Thu, 29 Oct 2026 10:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.507893
• Title: Learning on-the-fly quasi-stationarity diagnostics from low-dimensional surrogates
• Title（参考訳）: 低次元サロゲートからのオンザフライ準定常診断の学習
• Abstract要約: 非線形確率流の粗粒化とシミュレーションに基づく推論に基づく診断法を開発した。 リカレントニューラルネットワーク(RNN)は、非線形有効流れの粒子近似に基づいて訓練され、デコリレーションの後方確率を推定する。 以前の仮定では、RNN診断はMCMC診断をROC分析で上回り、保守性は低く、失敗は少なく、解釈可能な決定しきい値を持つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accelerated dynamics methods, such as parallel replica dynamics, require estimates of the decorrelation time, after which a process trapped in one of its metastable states is distributed according to the quasi-stationary distribution (QSD). In a method proposed by Binder, Lelièvre and Simpson, decorrelation times are defined by coupling a particle approximation of the non-linear conditioned probability flow of the process with MCMC-inspired diagnostics. We explore an alternative to MCMC diagnostics, based on coarse-graining of non-linear probability flows and simulation-based inference. We first develop a coarse-graining framework for killed Markov jump processes conditioned on survival, proving uniform-in-time, non-asymptotic estimates approximating the non-linear probability flow of the true process by the non-linear flow of a surrogate process, defined with a collective variable. The framework does not assume reversibility of the true process, and also gives bounds which scale explicitly in an adiabatic regime. Motivated by these results, we then construct a quasi-stationarity diagnostic using simulation-based inference: a recurrent neural network (RNN), trained on particle approximations of non-linear effective flows, estimates posterior probabilities of decorrelation. The learned diagnostic is then transferred to collective-variable traces of high-dimensional particle approximations. We investigate the behavior and robustness of this diagnostic on a set of numerical experiments, comparing it to the MCMC diagnostic of Binder et al.\ on both synthetic examples and a molecular system, in and out of its training prior distribution. When its prior assumptions hold, the RNN diagnostic outperforms the MCMC diagnostic in ROC analysis, is less conservative, fails less often, and has an interpretable decision threshold.
• Abstract（参考訳）: 並列複製力学のような加速力学法は、デコレーション時間の推定を必要とし、その後準定常分布(QSD)に応じてその準安定状態の1つに閉じ込められたプロセスが分散される。 Binder, Lelièvre と Simpson が提案した手法では, プロセスの非線形条件付き確率フローの粒子近似とMCMC による診断を結合することにより, 相関時間を定義する。 我々は,非線形確率流の粗粒化とシミュレーションに基づく推論に基づくMCMC診断の代替法を検討する。 まず,サロゲートプロセスの非線形流れによって真プロセスの非線形確率フローを近似する一様,非漸近的,一様,非漸近的推定を,生存条件付きマルコフジャンププロセスの粗粒化フレームワークを開発した。 このフレームワークは、真のプロセスの可逆性を前提とせず、また、断熱的な状態において明示的にスケールする境界を与える。 これらの結果から,非線形実効流の粒子近似に基づいて訓練されたリカレントニューラルネットワーク(RNN)を用いて,シミュレーションに基づく準定常性診断を構築し,デコリレーションの後方確率を推定する。 学習された診断は、高次元粒子近似の集合可変トレースに転送される。 本研究では,Binder et al \ のMCMC 診断と,Binder et al \ の合成例と分子システムの両方を比較し,これらの診断の挙動とロバスト性について検討した。 以前の仮定では、RNN診断はMCMC診断をROC分析で上回り、保守性は低く、失敗は少なく、解釈可能な決定しきい値を持つ。

関連論文リスト

• Generative Modeling under Non-Monotonic MAR Missingness via Approximate Wasserstein Gradient Flows [6.221876252052772]
  MAR(Missing at Random)の値を持つデータセットから完全なデータセットを生成するための原則的反復法を提案する。 FLOWGEMは、観測されたデータ分布と、異なる欠落パターンにおける生成したサンプルの分布との予測KL(Kullback-Leibler)のばらつきを最小化する。 これは、モノトニックなMARメカニズムの挑戦的なケースを含む、さまざまな設定で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-04-06T09:56:08Z)
• Measuring Sample Quality with Copula Discrepancies [0.0]
  Copula Discrepancy (CD) は、依存構造に対する原理的かつ計算学的に効率的な診断である。 我々の理論的枠組みは、近似推論の時代に特化して設計された最初の構造認識診断を提供する。 計算オーバーヘッドのオーバヘッドは、既存のスタインの差よりも桁違いに低いため、CDはMCMC実践者にとって即時的な実用価値と、次世代の構造を意識したサンプル品質評価の理論的基礎の両方を提供する。
  論文  参考訳（メタデータ） (2025-07-29T02:11:45Z)
• Continuous Temporal Learning of Probability Distributions via Neural ODEs with Applications in Continuous Glucose Monitoring Data [0.0]
  本稿では,連続時間プロセスの進化を捉えたガウス混合に基づく確率モデルを提案する。 本研究は,CGM (Continuous glucose monitoring) 時系列を主要な結果として扱う26週間の臨床試験において,本手法の有用性を概説する。
  論文  参考訳（メタデータ） (2025-05-13T15:57:06Z)
• Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
  非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。 鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
  論文  参考訳（メタデータ） (2023-05-24T20:43:47Z)
• Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
  このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。 このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-04T20:28:44Z)

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。