arXiv stat.MLは11月13日(現地時間)、コール・ベッカー (Cole Becker) 氏らの研究チームが、確率的補間 (stochastic interpolants) に基づく生成モデル向けに、補間スケジュールと確率流常微分方程式 (probability-flow ODE) の効率的な離散化を共同で設計する新フレームワークを発表した。このフレームワークでは、共形写像 (conformal mapping) を用いて正確に解かれる分散保持型楕円スケジュール「楕円サンプリング (Elliptic Sampling)」が提案され、新しいサンプリングアルゴリズム「Zoloflow」として実装された。
本研究で提案された楕円スケジュールとZoloflowは、目標分布の条件数 (condition number) κを明示的に考慮している。条件数κが1に近づくにつれて、これらの手法は古典的な三角スケジュール (trig schedule) と同等の特性を示す。これにより、幅広いシナリオにおける柔軟性と効率性が確保される。
ガウス分布 (Gaussian targets) に対しては、Zoloflowは全てのオブリーバス・スコア・スパンアルゴリズム (oblivious score-span algorithms) の中でミニマックス最適性 (minimax optimality) を達成する。このアルゴリズムは、全変動誤差 (total-variation error) εを達成するために $\Theta(\log\kappa,\log(\sqrt d/\varepsilon))$ のスコアクエリ数を必要とする。これは、特に高次元空間におけるサンプリングの効率性を理論的に裏付けるものである。
対数凹型 (log-concave) 分布の場合、楕円スケジュールを用いることで最大 ε の2-ワッサースタイン誤差 (2-Wasserstein-error) で効率的なサンプリングが可能となる。この際の必要なスコア評価数は $\widetilde{O}(\sqrt{d} , \mathrm{polylog}(\kappa, 1/\varepsilon))$ であり、既存の手法と比較しても優れたパフォーマンスを示す。この理論的保証は、より複雑な分布に対する実用性を高める。
これらの理論的な結果に加え、研究チームは一般の(対数凹型ではない)目標分布についても楕円スケジュールを経験的に評価した。合成ベンチマーク (synthetic benchmarks) および既存の画像生成データセット (image generation datasets) を用いた詳細な比較実験が行われ、代替のスケジュール提案手法に対する「楕円サンプリング」の優位性が確認された。この経験的評価は、提案手法の実世界での応用可能性を強く示唆している。研究者らは、この新しいフレームワークが、複雑な確率分布からのサンプリングプロセスを大幅に改善し、生成モデルの性能向上に貢献すると期待を寄せている。
参考: arXiv stat.ML — 2026年11月14日 03:49 (JST)