論文の概要: Entire sig-jump-diffusions, their expected signature and applications to score-based generative modeling
- arxiv url: http://arxiv.org/abs/2611.16995v1
- Date: Thu, 12 Nov 2026 16:00:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.509523
- Title: Entire sig-jump-diffusions, their expected signature and applications to score-based generative modeling
- Title(参考訳): Entire sig-jump-diffusion,その期待署名とスコアベース生成モデルへの応用
- Abstract要約: 時系列と標準有限次元データのためのスコアベース生成モデルを開発した。
拡張代数学において線形ODEを解くことにより、それらの期待されるシグネチャを計算できることが示される。
逆シグネチャマッチングに基づく有限次元データに対する代替手法を開発した。
- 参考スコア(独自算出の注目度): 0.41292255339309664
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop score-based generative models for time series and standard finite-dimensional data, building on the analytical computation of the expected signature of a new class of jump-diffusions, called entire sig-jump-diffusions. These are semimartingales whose characteristics are given by linear combinations of potentially infinitely many components of their own signature. We show that their expected signature can be computed by solving linear ODEs in the extended tensor algebra, providing a tractable foundation for learning procedures. Specifically, the learning of a generalized score function for jump diffusions, a key ingredient of our generative modeling framework, can be reduced to solving linear ODEs and a deterministic optimization problem. We further prove that polynomial jump-diffusions can be embedded into this framework, and that their expected signature reduces to a finite-dimensional system of linear ODEs. Building on this result, we develop an alternative approach for finite-dimensional data, based on inverse signature matching, a method that learns the score by matching the expected signature of the reverse process with that of the inverse forward signature.
- Abstract(参考訳): 我々は,時間系列と標準有限次元データに対するスコアベース生成モデルを開発し,Sig-jump-diffusionsと呼ばれる新しい種類のジャンプ拡散の予測シグネチャを解析的に計算する。
これらは半行列であり、その性質は、潜在的に無限に多くの署名の成分の線形結合によって与えられる。
拡張テンソル代数において線形ODEを解くことで,それらの期待されたシグネチャを計算できることを示し,学習手順の抽出可能な基盤を提供する。
具体的には,ジャンプ拡散のための一般化スコア関数の学習を線形ODEの解法と決定論的最適化問題に還元することができる。
さらに、多項式ジャンプ拡散がこの枠組みに組み込むことができ、期待されるシグネチャが線形ODEの有限次元システムに還元されることを証明した。
この結果に基づいて,逆プロセスの期待署名と逆フォワード署名の符号とをマッチングしてスコアを学習する手法である逆シグネチャマッチングに基づいて,有限次元データに対する代替手法を開発した。
関連論文リスト
- Variational Learning for Insertion-based Generation [50.15012125719375]
可変長挿入モデルの挿入順序を学習するための確率的フレームワークを提案する。
本稿では,挿入する場所,挿入する場所,終了するタイミングを共同で学習する生成モデルであるInsertion Process (IP)を提案する。
論文 参考訳(メタデータ) (2026-06-01T11:59:46Z) - Scalable Machine Learning Algorithms using Path Signatures [4.441866681085518]
この論文は、スケーラブルな機械学習パイプラインにおいて、パスシグネチャの表現力を利用する方法を研究する。
理論的ロバスト性と計算効率を組み合わせ、粗い経路理論と確率論的モデリング、ディープラーニング、カーネルメソッドをブリッジする一連のモデルを導入している。
論文 参考訳(メタデータ) (2025-06-21T08:36:34Z) - Learning with Expected Signatures: Theory and Applications [0.0]
本稿では,期待署名の離散時間推定器と理論的連続時間値とのギャップを橋渡しする。
平均二乗誤差を著しく低減した予測シグネチャ推定器の簡単な修正を提案し、予測性能を向上させるために効果的に適用できることを実証的に示す。
論文 参考訳(メタデータ) (2025-05-26T19:01:20Z) - σ-GPTs: A New Approach to Autoregressive Models [19.84252724050016]
出力に位置エンコーディングを追加するだけで、この順序をオンザフライ・イン・サンプルで変調できることを示す。
我々は,言語モデリング,パス解決,航空機の垂直速度予測など,様々な領域にわたる手法の評価を行った。
論文 参考訳(メタデータ) (2024-04-15T08:22:47Z) - Mutual Exclusivity Training and Primitive Augmentation to Induce
Compositionality [84.94877848357896]
最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。
本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。
広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
論文 参考訳(メタデータ) (2022-11-28T17:36:41Z) - Structured Reordering for Modeling Latent Alignments in Sequence
Transduction [86.94309120789396]
本稿では,分離可能な置換の辺りを正確に推定する効率的な動的プログラミングアルゴリズムを提案する。
結果のSeq2seqモデルは、合成問題やNLPタスクの標準モデルよりも体系的な一般化が優れている。
論文 参考訳(メタデータ) (2021-06-06T21:53:54Z) - Probabilistic Circuits for Variational Inference in Discrete Graphical
Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。
エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。
Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。
選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文 参考訳(メタデータ) (2020-10-22T05:04:38Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z)
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。