Moment Matching Denoising Gibbs Sampling

要約

エネルギーベース モデル (EBM) は、複雑なデータ分布をモデル化するための多用途のフレームワークを提供します。
ただし、EBM からのトレーニングとサンプリングには引き続き大きな課題が伴います。
スケーラブルな EBM トレーニングに広く使用されているノイズ除去スコア マッチング (DSM) 手法には不整合の問題があり、エネルギー モデルが「ノイズの多い」データ分布を学習する原因となります。
この研究では、効率的なサンプリング フレームワークである、モーメント マッチングを使用した (擬似)-ギブス サンプリングを提案します。これにより、DSM によって十分にトレーニングされた「ノイズのある」モデルが与えられた場合に、基礎となるクリーンなモデルからの効果的なサンプリングが可能になります。
関連する手法と比較して私たちのアプローチの利点を調査し、この手法を高次元のデータセットに拡張する方法を示します。

要約(オリジナル)

Energy-Based Models (EBMs) offer a versatile framework for modeling complex data distributions. However, training and sampling from EBMs continue to pose significant challenges. The widely-used Denoising Score Matching (DSM) method for scalable EBM training suffers from inconsistency issues, causing the energy model to learn a `noisy’ data distribution. In this work, we propose an efficient sampling framework: (pseudo)-Gibbs sampling with moment matching, which enables effective sampling from the underlying clean model when given a `noisy’ model that has been well-trained via DSM. We explore the benefits of our approach compared to related methods and demonstrate how to scale the method to high-dimensional datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google