扩散-PINN抽样器
机器学习
2024-10-22 v1 机器学习
摘要
扩散模型的近期成功激发了开发基于逆扩散过程的抽样技术的浓厚兴趣。然而，仅凭未归一化目标密度来准确估计逆随机微分方程（SDE）中的漂移项（drift term） presents significant挑战，阻碍了现有方法达到最新性能。本文引入扩散-PINN抽样器（Diffusion-PINN Sampler, DPS），一种新型基于扩散的抽样算法，通过求解基于物理信息神经网络（PINN）的SDE边缘分布对数密度的控制偏微分方程来估计漂移项。我们证明了对数密度近似误差可由PINN残差损失控制，从而使我们能够建立DPS的收敛性保证。实验在多种抽样任务上表明，我们方法的有效性，特别是在目标包含孤立组成部分时，能够准确识别混合比例。
引用
@article{arxiv.2410.15336,
title = {Diffusion-PINN Sampler},
author = {Zhekun Shi and Longlin Yu and Tianyu Xie and Cheng Zhang},
journal= {arXiv preprint arXiv:2410.15336},
year = {2024}
}
备注
33 pages, 7 figures