論文の概要: Conditional Flow Matching: Simulation-Free Dynamic Optimal Transport
- arxiv url: http://arxiv.org/abs/2302.00482v1
- Date: Wed, 1 Feb 2023 14:47:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 17:26:03.636700
- Title: Conditional Flow Matching: Simulation-Free Dynamic Optimal Transport
- Title（参考訳）: 条件付きフローマッチング:シミュレーションフリーな動的最適輸送
- Authors: Alexander Tong, Nikolay Malkin, Guillaume Huguet, Yanlei Zhang, Jarrid
Rector-Brooks, Kilian Fatras, Guy Wolf, Yoshua Bengio
- Abstract要約: 連続正規化フロー(CNF)のためのシミュレーション不要なトレーニング目標である条件付きフローマッチング(CFM)を導入する。
CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。
我々はまた、訓練に安定し、より高速な推論をもたらすより単純なフローを生成する最適な輸送CFM(OT-CFM)も導入する。
- 参考スコア（独自算出の注目度）: 111.87957600278018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continuous normalizing flows (CNFs) are an attractive generative modeling
technique, but they have thus far been held back by limitations in their
simulation-based maximum likelihood training. In this paper, we introduce a new
technique called conditional flow matching (CFM), a simulation-free training
objective for CNFs. CFM features a stable regression objective like that used
to train the stochastic flow in diffusion models but enjoys the efficient
inference of deterministic flow models. In contrast to both diffusion models
and prior CNF training algorithms, our CFM objective does not require the
source distribution to be Gaussian or require evaluation of its density. Based
on this new objective, we also introduce optimal transport CFM (OT-CFM), which
creates simpler flows that are more stable to train and lead to faster
inference, as evaluated in our experiments. Training CNFs with CFM improves
results on a variety of conditional and unconditional generation tasks such as
inferring single cell dynamics, unsupervised image translation, and
Schr\"odinger bridge inference. Code is available at
https://github.com/atong01/conditional-flow-matching .
- Abstract（参考訳）: 連続正規化フロー(cnfs)は魅力的な生成的モデリング手法であるが、シミュレーションに基づく最大確率トレーニングの限界によって、これまでのところ後退している。
本稿では,cnfsのためのシミュレーションフリーなトレーニング目標である条件付きフローマッチング(cfm)と呼ばれる新しい手法を提案する。
cfmは拡散モデルの確率的流れを訓練するために使われるような安定した回帰目標を持っているが、決定論的フローモデルの効率的な推論を享受している。
拡散モデルとそれ以前のCNFトレーニングアルゴリズムとは対照的に、我々のCFMの目的はソース分布をガウス的あるいは密度評価を必要としない。
この新たな目的に基づき、実験で評価したように、トレーニングに安定なより単純なフローを生成し、より高速な推論をもたらす最適な輸送CFM(OT-CFM)も導入する。
CFMを用いたCNFのトレーニングでは、単一セルダイナミクスの推測、教師なし画像翻訳、Schr\odingerブリッジ推論などの条件付きおよび非条件生成タスクの結果が改善されている。
コードはhttps://github.com/atong01/conditional-flow-matchingで入手できる。
関連論文リスト
- DFM: Interpolant-free Dual Flow Matching [0.8192907805418583]
モデルベクトル場に関する明示的な仮定を伴わない補間自由二重流れマッチング(DFM)手法を提案する。
SMAPによる教師なし異常検出実験は、最大極度またはFM目標で訓練されたCNFと比較して、DFMの利点を示す。
論文 参考訳（メタデータ） (2024-10-11T20:46:04Z) - Local Flow Matching Generative Models [19.859984725284896]
フローマッチング(英: Flow Matching, FM)は、2つの分布を補間する連続的かつ非可逆的な流れを学習するためのシミュレーション不要な手法である。
FMサブモデルのシーケンスを学習し,それぞれがデータ-雑音方向のステップサイズまで拡散過程と一致するローカルフローマッチング(LFM)を導入する。
実験では, FMと比較して, LFMの訓練効率と競争的生成性能の改善を実証した。
論文 参考訳（メタデータ） (2024-10-03T14:53:10Z) - Reflected Flow Matching [36.38883647601013]
連続正規化フロー(CNF)は通常の微分方程式を学習し、先行サンプルをデータに変換する。
流れマッチング (FM) は, 条件付速度場に向けて速度モデルを回帰させることによりCNFを訓練するシミュレーションのない手法として登場した。
シミュレーション不要な条件付き速度場をマッチングすることにより, 反射型CNFの速度モデルをトレーニングするための反射流マッチング(RFM)を提案する。
論文 参考訳（メタデータ） (2024-05-26T14:09:43Z) - Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
我々は,新しい最適フローマッチング手法を開発し,理論的に正当化する。
これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。
提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
論文 参考訳（メタデータ） (2024-03-19T19:44:54Z) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳（メタデータ） (2023-11-22T15:07:59Z) - Perimeter Control Using Deep Reinforcement Learning: A Model-free
Approach towards Homogeneous Flow Rate Optimization [28.851432612392436]
周辺制御は、交通密度が臨界値以下であることを保証するため、地域間の移動フローを制御することにより、保護領域内の交通効率を高く維持する。
既存のアプローチは、ネットワーク伝送モデル(NTM)とマクロ基礎図(MFD)に依存するかによって、モデルベースまたはモデルフリーに分類することができる。
論文 参考訳（メタデータ） (2023-05-29T21:22:08Z) - Flow Matching for Generative Modeling [44.66897082688762]
フローマッチングは、連続正規化フロー(CNF)のトレーニングのためのシミュレーション不要なアプローチである
拡散経路を持つFMを用いることで、より堅牢で安定した拡散モデルの代替となることが判明した。
ImageNet上でFlow Matchingを使用したCNFのトレーニングは、可能性とサンプル品質の両方の観点から最先端のパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2022-10-06T08:32:20Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳（メタデータ） (2022-02-23T06:11:49Z) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳（メタデータ） (2019-11-29T19:17:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。