igpm.rwth-aachen.de

이 이메일 도메인이 관측된 논문 2건

arXiv:2610.10278v1math.NA

바서슈타인-피셔-라오 JKO 스킴 기반 재가중 정규화 흐름을 활용한 신경 샘플링

Neural Sampling with Reweighted Normalizing Flows via the Wasserstein--Fisher--Rao JKO Scheme

본 논문에서는 비정규화 볼츠만 밀도(unnormalized Boltzmann density)로 지정된 분포로부터 샘플링하기 위한 신경 알고리즘을 제안합니다. 제안하는 접근법은 바서슈타인-피셔-라오 기하학(Wasserstein--Fisher--Rao geometry)에서 쿨백-라이블러 발산(Kullback--Leibler divergence)에 대한 조던-킨더렐러-오토 스킴(WFR JKO scheme)에 기반합니다. 본 연구의 기여는 크게 두 가지입니다. 첫째, 임의의 고정된 보폭(step size)에 대해, 반복 횟수가 무한대로 향함에 따라 정확한 WFR JKO 반복이 타깃 분포로 지수적으로 빠르게 수렴함을 증명합니다. 특히, 이 결과는 로그-오목성(log-concavity)이나 로그 소볼레프 부등식(logarithmic Sobolev inequality)과 같은 타깃에 대한 어떠한 구조적 가정도 요구하지 않습니다. 둘째, 재가중 정규화 흐름(reweighted normalizing flow)을 사용하여 이동(transport) 및 반응(reaction) 요소를 매개변수화하는 WFR JKO 스킴의 신경망 구현을 개발합니다. 까다로운 다봉(multimodal) 타깃에 대한 수치 실험은 제안된 방법의 유망한 성능을 입증합니다.

arXiv:2609.01370v1cs.CV

역문제를 위한 확산 기반 비짝 데이터 학습

Diffusion Based Unpaired Data Learning for Inverse Problems

많은 심층 학습 기반 역문제 해법에서 데이터는 중요하다. 그러나 많은 시나리오에서 충분한 짝(paired) 데이터를 확보하는 것은 여전히 매우 어렵고, 비짝(unpaired) 데이터는 값싸게 구할 수 있다. 데이터 활용을 극대화하기 위해 본 논문은 비짝 데이터로 역문제를 풀기 위한 확산 기반 접근법 LUD-DIF를 제안한다. 결합 분포의 evidence lower bound(ELBO)에서 출발하여, 약한 결합(weak-coupling) 가정 하에 이를 두 개의 독립적인 확산 과정으로 분리한다. 이 방법은 변분 추론(variational inference) 관점에서 이론적 근거를 제공하고, 손실 함수를 유도하며, 해당 가정으로 도입되는 오차 경계를 정량적으로 분석하고, 정리에 동기 부여된 하이퍼파라미터 선택 휴리스틱을 제시한다. 실험 결과는 LUD-DIF가 여러 이미지 역문제에서 뛰어난 성능을 달성함을 보여 주며, 비짝 역문제 설정에서의 효과와 일반화 능력을 검증한다.