Progressive Tempering Sampler with Diffusion

要約

最近の研究では、非正常密度からサンプリングのプロセスを償却するニューラルサンプラーの設計に焦点を当てています。
しかし、ターゲット評価の効率性に関しては、大幅に進歩しているにもかかわらず、最先端のMCMCアプローチであるParallel Tempering（PT）に依然として不足しています。
一方、よく訓練されたニューラルサンプラーとは異なり、PTは依存サンプルのみを生成し、新しいサンプルが必要な場合はいつでも、かなりの計算コストで再実行する必要があります。
これらの弱点に対処するために、拡散モデルを拡散した拡散（PTSD）を備えたプログレッシブ温度サンプラーを提案します。これは、温度全体で拡散モデルを順次訓練し、PTの利点を活用して神経サンプラーのトレーニングを改善します。
また、高温拡散モデルを組み合わせて、MCMCを使用して最小限に洗練され、次の拡散モデルをトレーニングするために使用される近似低温サンプルを生成するための新しい方法を紹介します。
PTSDにより、温度レベル全体でサンプル情報を効率的に再利用しながら、よく混合された無相関サンプルを生成できます。
私たちの方法は、標的評価効率を大幅に改善し、拡散ベースのニューラルサンプラーを上回ります。

要約(オリジナル)

Recent research has focused on designing neural samplers that amortize the process of sampling from unnormalized densities. However, despite significant advancements, they still fall short of the state-of-the-art MCMC approach, Parallel Tempering (PT), when it comes to the efficiency of target evaluations. On the other hand, unlike a well-trained neural sampler, PT yields only dependent samples and needs to be rerun — at considerable computational cost — whenever new samples are required. To address these weaknesses, we propose the Progressive Tempering Sampler with Diffusion (PTSD), which trains diffusion models sequentially across temperatures, leveraging the advantages of PT to improve the training of neural samplers. We also introduce a novel method to combine high-temperature diffusion models to generate approximate lower-temperature samples, which are minimally refined using MCMC and used to train the next diffusion model. PTSD enables efficient reuse of sample information across temperature levels while generating well-mixed, uncorrelated samples. Our method significantly improves target evaluation efficiency, outperforming diffusion-based neural samplers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google