論文の概要: Elliptic Sampling: Optimal Interpolant Schedules for Gaussians and Beyond
- arxiv url: http://arxiv.org/abs/2611.18542v1
- Date: Fri, 13 Nov 2026 18:49:36 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:21:42.529787
- Title: Elliptic Sampling: Optimal Interpolant Schedules for Gaussians and Beyond
- Title(参考訳): 楕円サンプリング:ガウスとそれ以上の最適補間スケジューリング
- Abstract要約: 本稿では,(複雑化)ODEトラジェクトリの解析特性に基づいて,共同スケジュール/離散化設計のための新しいフレームワークを提案する。
我々の定式化は、共形写像によって正確に解け、分散保存楕円型スケジュールの自然な族が得られる。
一般(非log-concave)対象分布の楕円型スケジュールを実験的に評価した。
- 参考スコア(独自算出の注目度): 3.7298164455274136
- License:
- Abstract: Generative modeling based on stochastic interpolants requires specifying two key choices: an interpolant schedule bridging the initial and target distributions, and an efficient discretization of the resulting probability-flow ODE. In this work, we introduce a new framework for joint schedule/discretization design based on the analyticity properties of the (complexified) ODE trajectories, which in turn ensure good numerical behavior. Our formulation can be solved exactly via conformal mapping, yielding a natural family of variance-preserving elliptic schedules, parametrized by Jacobi elliptic functions. Pairing an elliptic schedule with a tailored discretization, we obtain Zoloflow, a new sampling algorithm closely connected to Zolotarev's optimal rational function approximants. Crucially, both the elliptic schedule and Zoloflow explicitly incorporate the condition number $κ$ of the target distribution and reduce to the classical trig schedule in the limit $κ\rightarrow 1$. For Gaussian targets, Zoloflow achieves minimax optimality among all oblivious score-span algorithms, attaining total-variation error $\varepsilon$ using $Θ(\logκ\,\log(\sqrt d/\varepsilon))$ (exact) score queries. For the log-concave case, the elliptic schedule allows sampling with at most $\varepsilon$ 2-Wasserstein-error by requiring merely $\widetilde{O}(\sqrt{d} \, \mathrm{polylog}(κ, 1/\varepsilon))$ score evaluations. Complementing these theoretical results, we empirically evaluate the elliptic schedule on general (non-log-concave) target distributions, including detailed comparisons with alternative schedule proposals on both synthetic benchmarks and existing image generation datasets.
- Abstract(参考訳): 確率補間子に基づく生成的モデリングには、初期分布と対象分布をブリッジする補間スケジュールと、結果の確率フローODEの効率的な離散化という、2つの重要な選択が必要である。
本研究では,(複雑化)ODEトラジェクトリの解析特性に基づく共同スケジュール/分散設計のための新しいフレームワークを提案する。
我々の定式化は共形写像によって正確に解け、ヤコビ楕円函数によってパラメトリケートされた分散保存楕円型スケジュールの自然な族が得られる。
このアルゴリズムはZolotarevの最適有理関数近似と密接に結びついた新しいサンプリングアルゴリズムである。
重要なことに、楕円型スケジュールとゾロフローの両方は、ターゲット分布の条件番号$κ$を明示的に含み、制限$κ\rightarrow 1$で古典的なトリグスケジュールに還元する。
ガウス的対象に対しては、Zoloflowはすべての難解なスコアスパンアルゴリズムの中で最小限の最適化を達成し、$(\logκ\,\log(\sqrt d/\varepsilon))$(exact)スコアクエリを使用して全変量誤差$\varepsilon$を達成する。
log-concaveの場合、楕円型スケジュールは、単に$\widetilde{O}(\sqrt{d} \, \mathrm{polylog}(κ, 1/\varepsilon)$ score を必要とするだけで、少なくとも$\varepsilon$ 2-Wasserstein-errorでサンプリングすることができる。
これらの理論結果を補完し,一般(非ログ・コンケーブ)対象分布の楕円型スケジュールを実験的に評価し,合成ベンチマークと既存の画像生成データセットの代替スケジュール提案との詳細な比較を行った。
関連論文リスト
- Schedule optimization for tau-leaping in masked discrete diffusion [1.4466802614938334]
マスク付き離散拡散モデルは、いわゆるタウリーピング離散化法を用いて、一般的に加速される。
N$座標の標準サンプルを$K$サンプリングステップで解析し、ランダムなブロックサイズは遅延スケジュールに依存する。
このプロファイルに対する推定器を開発し、推定誤差がスケジュール選択にどう影響するかを定量化する。
論文 参考訳(メタデータ) (2026-09-18T16:18:26Z) - Provably Adaptive Linear Approximation for the Shapley Value and Beyond [73.0940890296463]
基本的で長期にわたる課題は、その効率的な近似である。
一般に用いられるすべての半値に対して$P(|hatboldsymbol-boldsymbol|_2geq)leq$を必要とする線形空間アルゴリズムを開発する。
本アルゴリズムは,各ユーティリティ関数の平均二乗誤差の明示的最小化を可能にする。
論文 参考訳(メタデータ) (2026-04-09T16:38:14Z) - Obtaining Lower Query Complexities through Lightweight Zeroth-Order Proximal Gradient Algorithms [65.42376001308064]
複素勾配問題に対する2つの分散化ZO推定器を提案する。
我々は、現在最先端の機能複雑性を$mathcalOleft(minfracdn1/2epsilon2, fracdepsilon3right)$から$tildecalOleft(fracdepsilon2right)$に改善する。
論文 参考訳(メタデータ) (2024-10-03T15:04:01Z) - Closed-form Filtering for Non-linear Systems [83.91296397912218]
我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。
本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。
提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
論文 参考訳(メタデータ) (2024-02-15T08:51:49Z) - Oblivious Stochastic Composite Optimization [47.48197617884748]
我々のアルゴリズムは問題のパラメータに関する事前の知識なしで収束することを示す。
3つのアルゴリズムは全て、実現可能な集合の直径、リプシッツ定数、あるいは目的関数の滑らかさについて事前の知識なしに機能する。
我々は,フレームワークを比較的大規模に拡張し,大規模半確定プログラム上での手法の効率性と堅牢性を実証する。
論文 参考訳(メタデータ) (2023-06-30T08:34:29Z) - Improved Analysis of Score-based Generative Modeling: User-Friendly
Bounds under Minimal Smoothness Assumptions [9.953088581242845]
2次モーメントを持つ任意のデータ分布に対して,コンバージェンス保証と複雑性を提供する。
我々の結果は、対数共空性や機能的不等式を前提としない。
我々の理論解析は、異なる離散近似の比較を提供し、実際の離散化点の選択を導くかもしれない。
論文 参考訳(メタデータ) (2022-11-03T15:51:00Z) - Best Policy Identification in Linear MDPs [70.57916977441262]
縮退した線形マルコフ+デルタ決定における最適同定問題について, 生成モデルに基づく固定信頼度設定における検討を行った。
複雑な非最適化プログラムの解としての下位境界は、そのようなアルゴリズムを考案する出発点として用いられる。
論文 参考訳(メタデータ) (2022-08-11T04:12:50Z) - A Projection-free Algorithm for Constrained Stochastic Multi-level
Composition Optimization [12.096252285460814]
合成最適化のためのプロジェクションフリー条件付き勾配型アルゴリズムを提案する。
提案アルゴリズムで要求されるオラクルの数と線形最小化オラクルは,それぞれ$mathcalO_T(epsilon-2)$と$mathcalO_T(epsilon-3)$である。
論文 参考訳(メタデータ) (2022-02-09T06:05:38Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳(メタデータ) (2021-09-10T07:01:15Z) - Convergence Analysis of Nonconvex Distributed Stochastic Zeroth-order
Coordinate Method [3.860616339202303]
本稿では,$ZOn$局所コスト関数の合計により形成されるグローバルコスト関数を最小化する分散非最適化問題について検討する。
エージェントは問題を解くためにzo座標法を近似する。
論文 参考訳(メタデータ) (2021-03-24T03:07:46Z) - Complexity of zigzag sampling algorithm for strongly log-concave
distributions [6.336005544376984]
強いログ凹分布に対するジグザグサンプリングアルゴリズムの計算複雑性について検討する。
ジグザグサンプリングアルゴリズムは, 計算コストが$obiglに匹敵するchi-squareの発散において, $varepsilon$ 誤差を達成することを証明した。
論文 参考訳(メタデータ) (2020-12-21T03:10:21Z)
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。