Touring sampling with pushforward maps

要約

サンプリング手法の数は、特定の問題に強力な機械学習手法を適用しようとしている実務者にとっては気が遠くなる可能性があります。
この論文では、いくつかのトレーニング サンプルに類似した新しいデータを生成する必要がある「生成モデリング」設定における多くのサンプリング アプローチをレビューおよび整理する理論的な立場を採用しています。
既存の手法間のつながりを明らかにすることで、拡散シミュレーションによる長い推論時間や、生成されたサンプルの多様性の欠如など、拡散モデルを使用したサンプリングにおける現在の課題のいくつかを克服するのに役立つ可能性があります。

要約(オリジナル)

The number of sampling methods could be daunting for a practitioner looking to cast powerful machine learning methods to their specific problem. This paper takes a theoretical stance to review and organize many sampling approaches in the “generative modeling” setting, where one wants to generate new data that are similar to some training examples. By revealing links between existing methods, it might prove useful to overcome some of the current challenges in sampling with diffusion models, such as long inference time due to diffusion simulation, or the lack of diversity in generated samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google