基于得分的输运建模方法与平均场福克 - 普朗克方程
我们提出了一种用于数值求解 Landau 方程的粒子方法,灵感来自于 Fokker-Planck 方程的基于得分的输运建模方法。该方法可以保持 Landau 方程的一些重要物理特性,例如质量、动量和能量的守恒性,以及估计熵的衰减。我们证明,匹配近似解的对数梯度足以恢复具有 Maxwellian 分子的 Landau 方程的真实解。在低维和中等高维上进行了几个数值实验,特别强调了所提出的方法与传统粒子或斑点方法的比较。
May, 2024
本文提出了一种基于概率流方程和深度学习的高维 Fokker-Planck 方程求解方法,该方法比传统的随机微分方程求解方法更加准确和稳定,并能直接给出诸如概率流、概率密度、熵等量的估计值。
Jun, 2022
提出了变分薛定谔扩散模型 (VSDM),利用变分推理线性化薛定谔桥前向评分函数,实现了无需模拟的训练过程,可用于优化传输计划中的扩散模型。VSDM 在模拟实验中表现出对非各向异性形状的高效生成能力,并产生了相较于单变量扩散更直线的样本轨迹。在真实数据中,验证了算法的可伸缩性,并在 CIFAR10 的无条件生成和时间序列建模的条件生成中达到了竞争性表现。值得注意的是,VSDM 不再依赖热启动初始化,而且在训练大规模实验中更易调参。
May, 2024
我们提出了模拟 - free score and flow matching ([SF]$^2$M),这是一种无需模拟的目标函数,用于根据来自任意分布的未配对的源样本和目标样本推断随机动力学。
Jul, 2023
利用费曼路径积分的新方法来描述分数评分的扩散模型,推导了反向随机微分方程和损失函数,通过应用量子物理中的 Wentzel-Kramers-Brillouin (WKB) 展开技术来评估随机和确定性采样方案之间的性能差异。
Mar, 2024
本研究探讨了基于分数的生成模型,其通过加噪声扰动来学习一组对应于数据密度的噪声条件分数函数,并导出了一个叫做分数 Fokker-Planck 方程的相应方程,对于噪声扰动后的数据密度的条件分数进行特征化,同时还证明了满足 Fokker-Planck 方程是有益的,因为它可以提高可能性和保守性程度,因此,提出了一个正则化的 DSM 目标来强制满足分数 Fokker-Planck 方程,并在各种数据集上证明了其有效性。
Oct, 2022
通过将高斯噪声逐渐应用于复杂的数据分布,构建了一个确定性的生成模型,对应于具有时间不均匀漂移的倒退随机微分方程,用基于分数匹配的方法估计漂移。本文提出了 Diffusion SB 方法来处理 Schrödinger Bridge 问题,近似了迭代比例拟合过程,DSB 具有广泛的适用性,是流形上 Sinkhorn 算法的连续状态空间概率化推广。
Jun, 2021
通过使用基于评分函数的求解器,我们提出了一种新颖的方法来解决高维度 Fokker-Planck 方程中的维数灾难问题,并在不同设置下对其稳定性、速度和性能进行了评估。
Feb, 2024
提出了一种计算方法,利用粒子系统的均值场极限模拟 Fokker-Planck 方程的时间演化,并使用梯度对数密度的统计学估计值来近似算法,表现出更准确和波动较小的统计学结果。
Jun, 2020