Optimal estimation of a factorizable density using diffusion models with ReLU neural networks
利用 ReLU 神经网络扩散模型最优估计可分解密度AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用密度估计和扩散模型逼近理论，未明确涉及所列经济学领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用 ReLU 神经网络扩散模型最优估计可分解密度
- 研究问题
- 当目标对数密度由低维光滑交互项组成时，标准全连接 ReLU 得分扩散模型能否适应该结构并达到最优密度估计速率？
- 方法与思路
- 作者将扩散后的得分函数分解为超光滑或低维成分的复合，建立 ReLU 网络的新近似误差分析，并推导两种距离下的统计速率。
- 材料陈述的贡献
- 摘要称在 β 光滑的 d* 阶交互模型下，总变差误差达到 n^{-β/(2β+d*)} 最优速率，并经方法微调得到一阶 Wasserstein 速率。
- 阅读关注点
- 应核对除交互与光滑性外的密度条件、网络规模和训练要求，以及扩散时间截断、离散采样和统计误差如何共同控制。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；首次实现结构适应是作者声明，摘要未列出最优速率所需全部条件。
原文摘要
This paper investigates the score-based diffusion models for density estimation when the target density admits a factorizable low-dimensional nonparametric structure. To be specific, we show that when the log density admits a $d^*$-way interaction model with $β$-smooth components, the vanilla diffusion model, which uses a fully connected ReLU neural network for score matching, can attain optimal $n^{-β/(2β+d^*)}$ statistical rate of convergence in total variation distance. This is, to the best of our knowledge, the first in the literature showing that diffusion models with standard configurations can adapt to the low-dimensional factorizable structures. The main challenge is that the low-dimensional factorizable structure no longer holds for most of the diffused timesteps, and it is very challenging to show that these diffused score functions can be well approximated without a significant increase in the number of network parameters. Our key insight is to demonstrate that the diffused score functions can be decomposed into a composition of either super-smooth or low-dimensional components, leading to a new approximation error analysis of ReLU neural networks with respect to the diffused score function. The rate of convergence under the 1-Wasserstein distance is also derived with a slight modification of the method.