Latent Target Score Matching: Simulation-Based Inference への応用

denoising score matching (DSM) を用いた拡散モデルの学習では、ノイズレベルが低くても高方差が生じる可能性があります。clean data scores が利用可能な場合、Target Score Matching (TSM) はこれを緩和し、低方差の目標関数を提供します。多くの応用において、隠れ変数の存在により clean scores にアクセスすることができず、単独で joint signals が曝露される状態が残っているためです。本研究では、joint scores を用いて边际 score の低方差的监督学習を可能にする TSM の拡張である Latent Target Score Matching (LTSM) を提案します。LTSM は低ノイズレベルにおいて有効ですが、DSM との混合により、ノイズスケール全体にわたる頑健性を保証します。シミュレーションベースの推論タスクにおいて、LTSM は方差、score 精度、およびサンプル品質を一貫して向上させます。

arXiv:2602.07189v1 Announce Type: new Abstract: Denoising score matching (DSM) for training diffusion models may suffer from high variance at low noise levels. Target Score Matching (TSM) mitigates this when clean data scores are available, providing a low-variance objective. In many applications clean scores are inaccessible due to the presence of latent variables, leaving only joint signals exposed. We propose Latent Target Score Matching (LTSM), an extension of TSM to leverage joint scores for low-variance supervision of the marginal score. While LTSM is effective at low noise levels, a mixture with DSM ensures robustness across noise scales. Across simulation-based inference tasks, LTSM consistently improves variance, score accuracy, and sample quality.