dida auf der ICML: Lorenz präsentiert zwei Papers zu diffusionsbasiertem Sampling

Unser Gründer und Geschäftsführer Lorenz Richter präsentierte in diesem Jahr auf der International Conference on Machine Learning (ICML) in Seoul zwei Paper zum Thema Diffusion-based Sampling, beide in den Poster-Sessions.

Das erste, „Bridge Matching Sampler: Scalable Sampling via Generalized Fixed-Point Diffusion Matching", stellt eine Methode (BMS) zum Sampling aus unnormierten Dichten vor. Es fasst bisherige Matching-Ziele als Spezialfälle von Fixpunkt-Iterationen auf, die auf der Nelson-Relation basieren, und ermöglicht so das Erlernen einer stochastischen Transport-Abbildung zwischen beliebiger Prior- und Zielverteilung mit einem einzigen, stabilen Ziel – eine gedämpfte Variante hilft zudem, Mode Collapse während des Trainings zu vermeiden.

Das zweite, „Tensor Train Diffusion: Leveraging Low-Rank Structures for High-Dimensional Score-Based Sampling", widmet sich der Hamilton-Jacobi-Bellman-Gleichung, die die Score-Funktion eines Diffusionsprozesses bestimmt. Statt auf PINNs oder trajektorienbasierte Löser zu setzen, nutzt es das Functional-Tensor-Train-Format, um latente Low-Rank-Strukturen auszunutzen – für ein schnelleres und robusteres Sampling in hohen Dimensionen.

Beide Arbeiten liegen genau im Zentrum unserer Tätigkeit an der Schnittstelle von Mathematik und Machine Learning und sorgten an den Postern für gute Gespräche und regen Andrang.