Buchumschlag

Jarzynski Reweighting and Sampling Dynamics for Training Energy-Based Models: Theoretical Analysis of Different Transition Kernels

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Carbone, Davide
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Latent Variable Models via Jarzynski-adjusted Langevin Algorithm
von: Cuin, James, et al.
Veröffentlicht: (2025)

Complexity Analysis of Normalizing Constant Estimation: from Jarzynski Equality to Annealed Importance Sampling and beyond
von: Guo, Wei, et al.
Veröffentlicht: (2025)

Hitchhiker's guide on the relation of Energy-Based Models with other generative models, sampling and statistical physics: a comprehensive review
von: Carbone, Davide
Veröffentlicht: (2024)

Reweighted Manifold Learning of Collective Variables from Enhanced Sampling Simulations
von: Rydzewski, Jakub, et al.
Veröffentlicht: (2022)

Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models
von: Plainer, Michael, et al.
Veröffentlicht: (2025)

Dynamic Loss-Based Sample Reweighting for Improved Large Language Model Pretraining
von: Sow, Daouda, et al.
Veröffentlicht: (2025)

Energy-Efficient Sampling Using Stochastic Magnetic Tunnel Junctions
von: Alder, Nicolas, et al.
Veröffentlicht: (2024)

Taming Extreme Tokens: Covariance-Aware GRPO with Gaussian-Kernel Advantage Reweighting
von: Wang, Cheng, et al.
Veröffentlicht: (2026)

Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data
von: Stupp, Maximilian, et al.
Veröffentlicht: (2025)

Kernel Learning for Regression via Quantum Annealing Based Spectral Sampling
von: Hasegawa, Yasushi, et al.
Veröffentlicht: (2026)

Revisiting Meta-Learning with Noisy Labels: Reweighting Dynamics and Theoretical Guarantees
von: Zhang, Yiming, et al.
Veröffentlicht: (2025)

Differentiability in Unrolled Training of Neural Physics Simulators on Transient Dynamics
von: List, Bjoern, et al.
Veröffentlicht: (2024)

Weighting What Matters: Boosting Sample Efficiency in Medical Report Generation via Token Reweighting
von: Weers, Alexander, et al.
Veröffentlicht: (2026)

Machine-Learned Force Fields for Lattice Dynamics at Coupled-Cluster Level Accuracy
von: Schönbauer, Sita, et al.
Veröffentlicht: (2025)

Take the Bull by the Horns: Hard Sample-Reweighted Continual Training Improves LLM Generalization
von: Chen, Xuxi, et al.
Veröffentlicht: (2024)

Identifying Dealbreakers and Robust Policies for the Energy Transition Amid Unexpected Events
von: Coppitters, Diederik, et al.
Veröffentlicht: (2025)

Logit Reweighting for Topic-Focused Summarization
von: Braun, Joschka, et al.
Veröffentlicht: (2025)

Hierarchical Kernel Transformer: Multi-Scale Attention with an Information-Theoretic Approximation Analysis
von: Cirrincione, Giansalvo
Veröffentlicht: (2026)

Improving Accuracy-robustness Trade-off via Pixel Reweighted Adversarial Training
von: Zhang, Jiacheng, et al.
Veröffentlicht: (2024)

Training a Foundation Model for Materials on a Budget
von: Koker, Teddy, et al.
Veröffentlicht: (2025)

On the Limits of Sparse Autoencoders: A Theoretical Framework and Reweighted Remedy
von: Cui, Jingyi, et al.
Veröffentlicht: (2025)

Modelling Gas-Phase Reaction Kinetics with Guided Particle Diffusion Sampling
von: Millard, Andrew, et al.
Veröffentlicht: (2026)

Group-robust Sample Reweighting for Subpopulation Shifts via Influence Functions
von: Qiao, Rui, et al.
Veröffentlicht: (2025)

HPC-Driven Modeling with ML-Based Surrogates for Magnon-Photon Dynamics in Hybrid Quantum Systems
von: Song, Jialin, et al.
Veröffentlicht: (2025)

Noise-robust Contrastive Learning for Critical Transition Detection in Dynamical Systems
von: Fang, Wenqi, et al.
Veröffentlicht: (2025)

Towards a Theoretical Understanding of the 'Reversal Curse' via Training Dynamics
von: Zhu, Hanlin, et al.
Veröffentlicht: (2024)

Active Deep Kernel Learning of Molecular Properties: Realizing Dynamic Structural Embeddings
von: Ghosh, Ayana, et al.
Veröffentlicht: (2024)

Balanced Training of Energy-Based Models with Adaptive Flow Sampling
von: Grenioux, Louis, et al.
Veröffentlicht: (2023)

Sampling in Unit Time with Kernel Fisher-Rao Flow
von: Maurais, Aimee, et al.
Veröffentlicht: (2024)

Efficient Stochastic Optimisation via Sequential Monte Carlo
von: Cuin, James, et al.
Veröffentlicht: (2026)

A Theoretical Framework for an Efficient Normalizing Flow-Based Solution to the Electronic Schrodinger Equation
von: Freedman, Daniel, et al.
Veröffentlicht: (2024)

Training Guarantees of Neural Network Classification Two-Sample Tests by Kernel Analysis
von: Khurana, Varun, et al.
Veröffentlicht: (2024)

Training Nonlinear Transformers for Chain-of-Thought Inference: A Theoretical Generalization Analysis
von: Li, Hongkang, et al.
Veröffentlicht: (2024)

Physics-guided Active Sample Reweighting for Urban Flow Prediction
von: Jiang, Wei, et al.
Veröffentlicht: (2024)

Refining Machine Learning Potentials through Thermodynamic Theory of Phase Transitions
von: Fuchs, Paul, et al.
Veröffentlicht: (2025)

Sampling from multimodal distributions with warm starts: Non-asymptotic bounds for the Reweighted Annealed Leap-Point Sampler
von: Lee, Holden, et al.
Veröffentlicht: (2025)

KITE: Kernelized and Information Theoretic Exemplars for In-Context Learning
von: Singh, Vaibhav, et al.
Veröffentlicht: (2025)

Enhancing Quantum Support Vector Machines through Variational Kernel Training
von: Innan, Nouhaila, et al.
Veröffentlicht: (2023)

MMR-GRPO: Accelerating GRPO-Style Training through Diversity-Aware Reward Reweighting
von: Wei, Kangda, et al.
Veröffentlicht: (2026)

MDDM: A Molecular Dynamics Diffusion Model to Predict Particle Self-Assembly
von: Ferguson, Kevin, et al.
Veröffentlicht: (2025)