Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
diffusion model, part 3.6, probability flow ODE
Search
Ryo Misawa
April 18, 2023
Science
0
1k
diffusion model, part 3.6, probability flow ODE
岡野原さんの「拡散モデル データ生成技術の数理」3.6章 確率フローODE
Ryo Misawa
April 18, 2023
Tweet
Share
More Decks by Ryo Misawa
See All by Ryo Misawa
TextPruner による大規模言語モデルの軽量化 / Large language model pruning using TextPruner
misawann
0
1k
Other Decks in Science
See All in Science
拡散モデルの概要 −§2. スコアベースモデルについて−
nearme_tech
PRO
0
220
qeMLパッケージの紹介
bob3bob3
0
1.2k
Science of Scienceおよび科学計量学に関する研究論文の俯瞰可視化_LT版
hayataka88
0
710
Snowflake上でRを使う: RStudioセットアップとShinyアプリケーションのデプロイ
ktatsuya
0
260
プロダクト開発を通して学んだナレッジマネジメントの哲学
sonod
0
110
DEIM2024 チュートリアル ~AWSで生成AIのRAGを使ったチャットボットを作ってみよう~
yamahiro
3
1k
ultraArmをモニター提供してもらった話
miura55
0
150
Презентация программы бакалавриата СПбГУ "Искусственный интеллект и наука о данных"
dscs
0
400
HAS Dark Site Orientation
astronomyhouston
0
5.1k
汎用原子シミュレータMatlantis のご紹介
matlantis
0
270
Cross-Media Information Spaces and Architectures (CISA)
signer
PRO
3
26k
Machine Learning for Materials (Lecture 9)
aronwalsh
0
170
Featured
See All Featured
Building Effective Engineering Teams - LeadDev
addyosmani
47
2.2k
Dealing with People You Can't Stand - Big Design 2015
cassininazir
360
22k
A better future with KSS
kneath
231
17k
Speed Design
sergeychernyshev
9
270
Creating an realtime collaboration tool: Agile Flush - .NET Oxford
marcduiker
16
1.6k
Code Reviewing Like a Champion
maltzj
517
39k
What's new in Ruby 2.0
geeforr
338
31k
Agile that works and the tools we love
rasmusluckow
325
20k
The Power of CSS Pseudo Elements
geoffreycrofte
64
5.2k
The Art of Programming - Codeland 2020
erikaheidi
48
13k
Designing with Data
zakiwarfel
96
5k
Exploring the Power of Turbo Streams & Action Cable | RailsConf2023
kevinliebholz
12
3.8k
Transcript
確率フロー ODE 拡散モデル データ生成技術の数理 3.6章 三澤遼 1
Outline 1. 確率フロー ODE とは 2. 確率フロー ODE と SDE
の周辺尤度が一致することの証明 3. 確率フロー ODE の尤度計算 4. シグナルとノイズで表される確率フロー ODE 2
任意の SDE は ODE に変換可能 伊藤型の確率微分方程式 : Wiener 過程 これは決定的な過程である
ODE に変換することができる 確率フロー ODE とは 3
1. 順過程,逆過程ともに同じ方程式に従って決定的に遷移 SDE では拡散過程と逆拡散過程が異なる方程式に従っていた SDE では確率的に遷移していた 2. データ分布と事前分布が 1 対
1 対応 決定的な過程であるため 3. 確率的要素が少なく少量ステップで収束 一方,SDE に加えられるノイズと MCMC 法は離散化誤差を改善 確率フロー ODE にノイズを加えることで品質改善できる SDE との比較 4
伊藤過程における Focker-Planck 方程式 確率分布 の従う方程式(Stratonovich 積では別の形を取る) 1 次元の場合 次元の場合 として,
確率フロー ODE と SDE の周辺尤度が一致することの証明 5
より と思い(伊藤ルール), の1次以下だけ残すと (伊藤公式) 一方, なので 蛇足: Focker-Planck 方程式(1次元)の導出 6
任意の について成立するので, 多次元の Focker-Planck 方程式も同様. 蛇足: Focker-Planck 方程式(1次元)の導出 7
右辺第2項を で括り,整理すれば良い. 確率フロー ODE と SDE の周辺尤度が一致することの証明 8
よって,右辺は となる.括弧の中身が になっている. が に依存しない場合は右辺第2項は消える. 確率フロー ODE と SDE の周辺尤度が一致することの証明
9
の場合, 尤度は, と計算される (Chen et al., 2018). 確率フロー ODE の尤度計算
10
定理 (Instantaneous Change of Variables) 常微分方程式 に従う確率変数の確率分布について が成立.両辺を で積分すると所望の式が得られる. 注意:
定理では確率変数の時間変化を追跡 Focker-Plank 方程式: 固定位置での確率分布 Focker-Planck 方程式では,右辺の 依存性が消えず計算が困難. -> で置き換え依存性消去.代償として 次元の ODE に帰着. 結果は等価. 確率フロー ODE の尤度計算: Instantaneous Change of Variable 11
両辺を で割って定理を得る. 以下の ODE に帰着. を追跡するために状態が 次元増加. 確率フロー ODE の尤度計算:
定理の証明 12
は Skilling-Hutchinson 推定で効率的に計算できる 行列 を陽に計算して対角和を求めるのは非効率. 例えば,標準基底 との積 により の 番目の列が得られる.
回繰り返し を計算(非効率). Skilling (1989) と Hutchinson (1989) は同時期に対角和の推定量を提案. 確率変数 が を満たすとする.このとき が条件から容易に従う. を条件を満たす確率変数とすると,Skilling-Hutchinson 推定量は 確率フロー ODE の尤度計算: Skilling-Hutchinson 推定 13
は不偏推定量.つまり 確率変数には Rademacher ベクトルや正規分布上のベクトルが用いられる. Hutchinson のトレース推定量: ガウストレース推定量: 本ケースでは は誤差逆伝播法により,ヤコビアンを陽に表さず効率的に 計算可能
(VJP: Vector-Jacobian Products) 確率フロー ODE の尤度計算: Skilling-Hutchinson 推定 14
SBM や DDPM の確率フロー ODE 確率フロー ODE は として だったので
微積分学の基本定理から シグナルとノイズで表される確率フロー ODE 15
分散発散型 SDE(SBM など)では, なので, シグナルとノイズで表される確率フロー ODE 16
参考文献 1. 岡野原大輔,拡散モデル データ生成技術の数理. 2. 沙川貴大,上田正仁,量子測定と量子制御. 3. Sebastian Nowozin, Thoughts
on Trace Estimation in Deep Learning. 参考文献 17