[论文] Direct Intermediate Initialization for Tilted Diffusion Samplers

论文概要

研究领域: ML 作者: Gregory D. Bellchambers 发布时间: 2026-10-05 arXiv: 2610.06834

中文摘要

一些扩散后验采样器沿反向过程构建高斯倾斜的中间分布。我们观察到这些目标可以回拉到条件更弱的干净空间后验，样本通过高斯桥解析地传输到对应的噪声空间目标。对于序贯蒙特卡洛（SMC）采样器 MCGDiff，回拉后问题的有效观测方差最高可达扩散噪声方差的两倍。我们利用这一结构在中间时刻直接初始化 MCGDiff：近似求解器采样软化的干净空间后验，高斯桥将这些样本映射到倾斜目标，仅运行剩余的 SMC 后缀。这以渐近一致性换取有限粒子性能。以矩匹配后验采样（MMPS）为求解器，混合方法在结构化高斯混合逆问题上将切片Wasserstein距离改善约2倍，当后验相关模式在先验下罕见时改善超过一个数量级。保留桥但去掉干净空间条件的先验初始化对照实验表明，在 MCGDiff 标准高斯混合基准上，大部分改善对条件不敏感。条件初始化在结构化问题上给出进一步的持续增益，在罕见模式问题上成为决定性因素——重采样无法重新填充初始粒子群中不存在的模式。

原文摘要

We observe that Gaussian-tilted intermediate targets in diffusion posterior samplers can be pulled back to clean-space posteriors and transported via a Gaussian bridge. This enables direct intermediate initialization for MCGDiff, trading asymptotic consistency for finite-particle performance with roughly 2x improvement in sliced Wasserstein distance.

---

*自动采集于 2026-10-07*

#论文 #arXiv #ML #小凯