論文の概要: Restrained Diffusion Bridges: Targeted Denoiser Training and Refinement

• arxiv url: http://arxiv.org/abs/2611.02170v2
• Date: Tue, 03 Nov 2026 20:54:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.672679
• Title: Restrained Diffusion Bridges: Targeted Denoiser Training and Refinement
• Title（参考訳）: 規制付き拡散橋:目標デノイザー・トレーニング・リファインメント
• Abstract要約: 拡散モデルは、しばしばターゲット分布の臨界領域、データスパース領域において不正確である。 制限された分布からのサンプリングは、トレーニングデータの収集場所を制御することができるが、学習された分布には偏りがあることを示す。 ギブズサンプリングは、制限されたデータにのみ訓練されたモデルからの推論を可能にする。
• 参考スコア（独自算出の注目度）: 2.446672595462589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models are often inaccurate in critical, data-sparse regions of the target distribution. Sampling from restrained distributions, biased distributions used in classical enhanced sampling to concentrate data near chosen configurations, can control where training data are collected but biases the learned distribution. We establish that this bias cancels exactly when forward noising from restrained data is conditioned on the restrained configuration at an appropriately chosen intermediate time. This allows a pretrained model fine-tuned on restrained data to achieve high accuracy in any chosen region of the target distribution, regardless of its probability, using standard denoising or flow matching objectives without importance weights. When no target data are available, Gibbs sampling enables inference from a model trained exclusively on restrained data.
• Abstract（参考訳）: 拡散モデルは、しばしばターゲット分布の臨界領域、データスパース領域において不正確である。 制限された分布からサンプリングすることで、古典的な強化されたサンプリングで使われる偏りのある分布を用いて、選択された構成の近くにデータを集中させ、トレーニングデータがどこで収集されるかを制御することができるが、学習された分布は偏りがある。 このバイアスは、抑制されたデータからのフォワードノイズが適切に選択された中間時間に制限された構成に条件づけられた場合に正確にキャンセルされる。 これにより、制限されたデータに微調整された事前訓練されたモデルは、その確率に関係なく、重要重みのない標準的なデノナイジングやフローマッチングの目的を用いて、ターゲット分布の任意の選択された領域において高い精度を達成することができる。 対象データが利用できない場合、ギブスサンプリングは、制限されたデータにのみ訓練されたモデルからの推論を可能にする。

関連論文リスト

• Score Mismatch and Set-Constrained Sampling in Zero-Shot Conditional Discrete Diffusion [66.0716790920952]
  スコアミスマッチした離散拡散モデルに対する最初の理論的解析を行う。 このようなミスマッチによる追加バイアスを明確に識別する一般KL発散上限を導出する。 代入確率は吸収率で無条件スコアで正確に表現できることを示す。
  論文  参考訳（メタデータ） (2026-10-15T01:05:30Z)
• Asymptotically Exact Negative Guidance of Diffusion Models via Positive-Unlabeled Learning [51.56484100374058]
  拡散モデルの負のガイダンスは、参照サンプルまたは条件スコアによって規定された望ましくない条件を避けるサンプルを生成する。 本稿では, 基準サンプルとスコアベース仕様の両方を均一に扱い, 対象密度自体をパラメトリズする回避強度で, 望ましくない条件付近の確率質量を抑える。
  論文  参考訳（メタデータ） (2026-10-14T08:45:27Z)
• Data Free Training of Diffusion Models for Lattice Field Theories [9.047147990138257]
  そこで本研究では,対象スコアの同一性を用いて,拡散モデルが独自のサンプルから学習可能であることを示す。 2次元の(4)理論で異なるアプローチをベンチマークし、効率的なトレーニングとサンプリングを可能にする効果的な選択を同定する。
  論文  参考訳（メタデータ） (2026-10-13T17:59:33Z)
• Inference-Time Attribute Distribution Alignment for Unconditional Diffusion [54.28942858023809]
  我々は、事前訓練された非条件拡散モデルに対する推論時属性分布アライメント問題を定式化する。 そこで本研究では,逆拡散過程に対する最適制御問題として,推定時属性分布アライメントを適用した。 最適制御に基づくアルゴリズムを用いて分散マッチングの最適化を行う。
  論文  参考訳（メタデータ） (2026-05-08T09:02:47Z)
• 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)

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。