Neuer Proximal‑Sampler nutzt nur Funktionswerte – schneller und deterministisch

Ein neu entwickeltes Verfahren für Proximal‑Sampling arbeitet ausschließlich mit zeroth‑Order‑Informationen der Zielpotenzialfunktion. Dadurch entfällt die Notwendigkeit, Gradienten zu berechnen oder komplexe Score‑Modelle zu trainieren.

Das Verfahren basiert auf der alternierenden Vorwärts‑ und Rückwärtsiteration des Wärmeflusses. Im Gegensatz zu früheren Ansätzen, die die Rückschritt‑Phase über Ablehnungssampling realisierten, simuliert die neue Methode die Dynamik direkt und behandelt die Zwischenergebnisse als Gaußsche Mischungen. Dadurch entsteht ein Monte‑Carlo‑Score‑Estimator aus direkt abtastbaren Verteilungen.

Unter der Bedingung, dass die Score‑Fehlerkontrolle ausreichend präzise ist, erbt das Verfahren die exponentielle Konvergenz des Proximal‑Samplings, vorausgesetzt die Zielverteilung erfüllt isoperimetrische Bedingungen. Das bedeutet, dass die Abweichung von der Zielverteilung mit jeder Iteration exponentiell abnimmt.

In der Praxis verzichtet der Algorithmus vollständig auf Ablehnungssampling, erlaubt flexible Schrittgrößen und arbeitet mit einem deterministischen Laufzeitbudget. Durch die Nutzung von Parallelrechnern und die Interaktion mehrerer Partikel erreicht er eine besonders schnelle Annäherung an die Zielverteilung.

Numerische Experimente bestätigen die hohe Effizienz: Der neue Proximal‑Sampler konvergiert deutlich schneller als herkömmliche diffusionbasierte Methoden und nutzt die Parallelisierung optimal aus, was ihn zu einer vielversprechenden Alternative für große, komplexe Sampling‑Aufgaben macht.