論文の概要: Training Calibrated Conditional Generative Models with a Sample-Only Coverage Loss
- arxiv url: http://arxiv.org/abs/2611.15829v1
- Date: Wed, 11 Nov 2026 18:44:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.251884
- Title: Training Calibrated Conditional Generative Models with a Sample-Only Coverage Loss
- Title(参考訳): サンプル限定被覆損失を有する校正条件生成モデルの訓練
- Abstract要約: そこで本研究では,サンプルのみから推定した,予測範囲の確率に基づく可微分損失関数を提案する。
これは任意の条件付き生成モデルに適用できるが、引き込み可能な密度やアーキテクチャの変更は不要である。
点推定値の復元品質にはほとんど変化がなく、スコアル正規化器よりも優れた校正後部が得られる。
- 参考スコア(独自算出の注目度): 8.778841570220196
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conditional generative models have become the tool of choice for sampling posteriors in scientific inverse problems, where we seek to sample images or signals conditioned on a set of indirect and noisy measurements. Yet they are often overconfident, which is a critical failure in scientific applications where accurate uncertainty quantification is essential. Existing regularizers fall short in complementary ways: differentiable coverage objectives require the model's density and do not identify the posterior, while strictly proper scoring rules such as the energy score need only samples but do not directly enforce coverage. We close this gap by introducing a differentiable loss function based on the expected coverage probability, estimated from samples alone. It applies to any conditional generative model, with no need for tractable densities or architectural changes. We prove that it is a strict divergence, vanishing if and only if the model equals the true posterior. On simulation-based inference benchmarks, it matches a density-based coverage loss without evaluating the density. On high-dimensional imaging inverse problems, it yields better-calibrated posteriors than scoring-rule regularizers, with little change in the reconstruction quality of point estimates.
- Abstract(参考訳): 条件生成モデルは科学的な逆問題において後部をサンプリングするツールとして選択され、間接的および雑音の一連の測定で条件付けられた画像や信号のサンプリングを試みている。
しかし、それらはしばしば過信であり、正確な不確実性定量化が不可欠である科学的応用において重要な失敗である。
既存の正規化器は相補的な方法で不足する: 微分可能なカバレッジ対象はモデルの密度を必要とし、後部を識別しないが、エネルギースコアのような厳密なスコアリングルールはサンプルのみを必要とするが、直接カバレッジを強制しない。
このギャップは, サンプルのみから推定される, 予測されるカバレッジの確率に基づいて, 微分可能な損失関数を導入することで埋める。
これは任意の条件付き生成モデルに適用できるが、引き込み可能な密度やアーキテクチャの変更は不要である。
我々はそれが厳密な発散であることを証明し、モデルが真の後部と等しい場合に限り消滅する。
シミュレーションベース推論ベンチマークでは、密度を評価せずに密度ベースのカバレッジ損失と一致させる。
高次元画像逆問題では、スコアル正規化器よりも高い校正後部が得られるが、点推定の再現性はほとんど変化しない。
関連論文リスト
- CADMA: Capacity-Aware Coverage Decomposition for Generative Model Assessment [56.183389338838374]
CADMAはリコール指向評価と診断のためのキャパシティアウェアフレームワークである。
CADMAは、既存の指標よりも信頼性が高く、よりきめ細かな、解釈可能な多様性障害の診断信号を提供する。
論文 参考訳(メタデータ) (2026-11-09T11:31:34Z) - On the Error Analysis of Triangular Transport Maps for Conditional Generation via MMD-based Objectives [4.299007466612815]
条件付き生成モデルのトレーニング基準は,共同誤差よりも条件付きを目標とすべきであることを示す。
その結果,条件付き生成モデルのトレーニング基準は,共同誤差よりも条件付きを目標とすべきであることが示唆された。
論文 参考訳(メタデータ) (2026-10-24T11:23:35Z) - 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) - PosteriorBench: From Point Estimates to Posterior Matching in Evaluating Generative Inverse Solvers [58.87583368961845]
PosteriorBenchは、生成的逆解器の分布精度を評価するためのベンチマークである。
ダーシーフローの逆転、ポアソン源の回復、炭素捕獲と貯蔵、光輸送物質推論の4つの物理に基づく逆問題を評価する。
論文 参考訳(メタデータ) (2026-09-17T17:54:12Z) - Assessing Sample Quality in Conditional Generation under Compositional Shift [34.24064416169904]
トレーニング分布のみを用いて条件付きサンプルを評価するために,サンプル単位の信頼スコアを開発した。
その結果,外挿世代間で有意な比較を再現できることが示唆された。
生体イメージングにおいて、選択されたサンプルは、実際の形態的構造をより良く保存し、下流予測性能を向上させる。
論文 参考訳(メタデータ) (2026-06-08T15:10:25Z) - Conditional Diffusion Under Linear Constraints: Langevin Mixing and Information-Theoretic Guarantees [10.73598638822051]
線形逆問題に対する事前学習拡散モデルを用いたゼロショット条件付きサンプリングについて検討する。
このスコアを無条件の接点スコアで置き換える誤差は、観測されたコンポーネントと観測されていないコンポーネントの間の次元自由条件の相互情報によって上限づけられていることを証明する。
論文 参考訳(メタデータ) (2026-05-06T19:19:54Z) - Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。
本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
論文 参考訳(メタデータ) (2025-06-01T09:13:27Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳(メタデータ) (2022-11-11T19:34:17Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z)
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。