Fugu-MT 論文翻訳(概要): Generative SDEs with Trainable Diffusion and Density-Based Losses

論文の概要: Generative SDEs with Trainable Diffusion and Density-Based Losses

arxiv url: http://arxiv.org/abs/2610.41243v1
Date: Fri, 30 Oct 2026 04:35:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-02 22:05:31.614531
Title: Generative SDEs with Trainable Diffusion and Density-Based Losses
Title（参考訳）: 学習可能な拡散と密度に基づく損失を考慮したSDEの生成
Abstract要約: 2次元と8次元のガウス混合実験では、時間非依存の場を学習し、同様のパラメータ数を持つスコアベースジェネレータよりもはるかに少ないオフモードサンプルを得る。ドリフトはサンプルをモードに誘導し、拡散はそれらの間に過剰な確率を分散させる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We develop a divergence-kernel method for jointly optimizing neural SDE drift and diffusion fields and the initial Gaussian distribution, using losses that depend directly on the terminal density. In two- and eight-dimensional Gaussian-mixture experiments, we learn time-independent fields and obtain far fewer off-mode samples than score-based generators with similar parameter counts. The drift attracts samples toward the modes, while the diffusion helps disperse excess probability between them.
Abstract（参考訳）: 本研究では,終端密度に直接依存する損失を用いて,ニューラルSDEドリフト拡散場と初期ガウス分布を共同最適化する分散カーネル法を開発した。 2次元と8次元のガウス混合実験では、時間非依存の場を学習し、同様のパラメータ数を持つスコアベースジェネレータよりもはるかに少ないオフモードサンプルを得る。ドリフトはサンプルをモードに誘導し、拡散はそれらの間に過剰な確率を分散させる。

関連論文リスト

Diverse Sampling in Diffusion Models with Marginal Preserving Particle Guidance [13.27396716172129]
EDDY(Exact-marginal Diversification via Divergence-free dYnamics)は拡散・流れマッチングモデルのための誘導機構である。合成分布実験とテキスト・ツー・イメージ生成実験により、EDDYは共通のベースラインに比べて分布の忠実さを保ちながら多様性を向上することが示された。
論文参考訳（メタデータ） (2026-05-07T16:49:12Z)
A Unified View of Drifting and Score-Based Models [92.51878018325031]
ドリフトがカーネル平滑分布にスコアベースの定式化を許すことを示すことにより,拡散モデルの背後にあるスコアマッチング原理との関係を正確にする。一般的なラプラス核に対して正確な分解を導出し、ラプラス核に対してドリフトが低温および高次元状態におけるスコアマッチングの正確なプロキシであることを示す厳密な誤差境界を証明した。
論文参考訳（メタデータ） (2026-03-08T07:41:36Z)
Sampling in High-Dimensions using Stochastic Interpolants and Forward-Backward Stochastic Differential Equations [8.509310102094512]
本稿では,高次元確率分布からサンプルを抽出する拡散型アルゴリズムのクラスを提案する。我々の手法は、確率密度の時間インデクシングされたコレクションを定義するための補間フレームワークに依存している。提案アルゴリズムは,従来の手法では処理が困難であった分布から,効果的にサンプルを抽出できることを実証する。
論文参考訳（メタデータ） (2025-02-01T07:27:11Z)
Diffusion-PINN Sampler [6.656265182236135]
物理インフォームドニューラルネットワーク(PINN)を用いて,基礎となるSDEの対数密度の制御偏微分方程式を解くことにより,ドリフト項を推定する新しい拡散型サンプリングアルゴリズムを提案する。 DPSの収束保証を確立するために、PINN残差損失によって対数密度近似の誤差を制御できることを証明した。
論文参考訳（メタデータ） (2024-10-20T09:02:16Z)
Broadening Target Distributions for Accelerated Diffusion Models via a Novel Analysis Approach [49.97755400231656]
本研究では,新しいDDPMサンプリング器が,これまで考慮されていなかった3種類の分散クラスに対して高速化性能を実現することを示す。この結果から, DDPM型加速サンプリング器におけるデータ次元$d$への依存性が改善された。
論文参考訳（メタデータ） (2024-02-21T16:11:47Z)
Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文参考訳（メタデータ） (2023-11-02T02:05:38Z)
A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文参考訳（メタデータ） (2023-05-31T15:33:16Z)
Denoising Diffusion Samplers [41.796349001299156]
拡散モデルの認知は、多くの領域で最先端の結果を提供する生成モデルの一般的なクラスである。我々は、非正規化確率密度関数から大まかにサンプリングし、それらの正規化定数を推定する類似のアイデアを探求する。この文脈ではスコアマッチングは適用できないが、モンテカルロサンプリングのために生成的モデリングで導入された多くのアイデアを利用することができる。
論文参考訳（メタデータ） (2023-02-27T14:37:16Z)
Generative Modeling with Denoising Auto-Encoders and Langevin Sampling [88.83704353627554]
DAEとDSMの両方がスムーズな人口密度のスコアを推定することを示した。次に、この結果をarXiv:1907.05600のホモトピー法に適用し、その経験的成功を理論的に正当化する。
論文参考訳（メタデータ） (2020-01-31T23:50:03Z)

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。