論文の概要: Flow Matching on General Geometries
- arxiv url: http://arxiv.org/abs/2302.03660v3
- Date: Mon, 26 Feb 2024 17:52:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 01:05:59.533178
- Title: Flow Matching on General Geometries
- Title(参考訳): 一般測地線上の流れマッチング
- Authors: Ricky T. Q. Chen, Yaron Lipman
- Abstract要約: 本稿では,多様体上の連続正規化フローをトレーニングするための,単純かつ強力なフレームワークを提案する。
単純な測地ではシミュレーションが不要であり、発散を必要としないことを示し、その対象ベクトル場を閉形式で計算する。
本手法は,多くの実世界の非ユークリッドデータセット上での最先端性能を実現する。
- 参考スコア(独自算出の注目度): 43.252817099263744
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose Riemannian Flow Matching (RFM), a simple yet powerful framework
for training continuous normalizing flows on manifolds. Existing methods for
generative modeling on manifolds either require expensive simulation, are
inherently unable to scale to high dimensions, or use approximations for
limiting quantities that result in biased training objectives. Riemannian Flow
Matching bypasses these limitations and offers several advantages over previous
approaches: it is simulation-free on simple geometries, does not require
divergence computation, and computes its target vector field in closed-form.
The key ingredient behind RFM is the construction of a relatively simple
premetric for defining target vector fields, which encompasses the existing
Euclidean case. To extend to general geometries, we rely on the use of spectral
decompositions to efficiently compute premetrics on the fly. Our method
achieves state-of-the-art performance on many real-world non-Euclidean
datasets, and we demonstrate tractable training on general geometries,
including triangular meshes with highly non-trivial curvature and boundaries.
- Abstract(参考訳): 本稿では,多様体上の連続正規化フローをトレーニングするための簡易かつ強力なフレームワークであるリーマンフローマッチング(RFM)を提案する。
多様体上の生成モデリングの既存の方法は、高価なシミュレーションを必要とするか、本質的に高次元にスケールできないか、あるいは偏りのある訓練目的をもたらす量を制限するために近似を使用する。
リーマンフローマッチングはこれらの制限を回避し、従来のアプローチよりもいくつかの利点がある: 単純な測地ではシミュレーションが不要であり、分岐計算を必要としない、そしてその対象ベクトル場を閉形式で計算する。
RFMの背後にある重要な要素は、既存のユークリッドの場合を含む対象ベクトル場を定義するための比較的単純なプレメトリックの構築である。
一般的な測地線に拡張するために、ハエの事前測度を効率的に計算するためにスペクトル分解を用いる。
提案手法は,多くの実世界の非ユークリッドデータセットにおける最先端性能を実現し,非自明な曲率と境界を持つ三角形メッシュを含む一般測地におけるトラクタブルトレーニングを実演する。
関連論文リスト
- Convergence and complexity of block majorization-minimization for
constrained block-Riemannian optimization [20.128697661112618]
ブロック化最小化(BMM)は、非排他的部分空間推定のための単純な反復勾配である。
我々の分析はユークリッドの制約を明示的に用いている。
論文 参考訳(メタデータ) (2023-12-16T05:40:19Z) - Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。
我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文 参考訳(メタデータ) (2023-10-30T21:27:53Z) - Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion
Processes [67.80645464187688]
多様体上に生成過程を構築するための原理的枠組みを導入する。
混合プロセスは、最も可能性の高いエンドポイントに向かって漂流誘導することを特徴とする。
混合過程を学習するための簡易かつ効率的な学習目標を提案する。
論文 参考訳(メタデータ) (2023-10-11T06:04:40Z) - Curvature-Independent Last-Iterate Convergence for Games on Riemannian
Manifolds [77.4346324549323]
本研究では, 多様体の曲率に依存しないステップサイズが, 曲率非依存かつ直線的最終点収束率を達成することを示す。
我々の知る限りでは、曲率非依存率や/または最終点収束の可能性はこれまでに検討されていない。
論文 参考訳(メタデータ) (2023-06-29T01:20:44Z) - The Dynamics of Riemannian Robbins-Monro Algorithms [101.29301565229265]
本稿では,Robins と Monro のセミナル近似フレームワークを一般化し拡張するリーマンアルゴリズムの族を提案する。
ユークリッドのそれと比較すると、リーマンのアルゴリズムは多様体上の大域線型構造が欠如しているため、はるかに理解されていない。
ユークリッド・ロビンス=モンロスキームの既存の理論を反映し拡張するほぼ確実な収束結果の一般的なテンプレートを提供する。
論文 参考訳(メタデータ) (2022-06-14T12:30:11Z) - Continuous normalizing flows on manifolds [0.342658286826597]
本稿では,最近導入されたニューラルODEと連続正規化フローを任意の滑らかな多様体に拡張する方法について述べる。
本稿では,これらの空間上のベクトル場をパラメータ化するための一般的な手法を提案する。
論文 参考訳(メタデータ) (2021-03-14T15:35:19Z) - Bayesian Quadrature on Riemannian Data Manifolds [79.71142807798284]
データに固有の非線形幾何学構造をモデル化する原則的な方法が提供される。
しかし、これらの演算は通常計算的に要求される。
特に、正規法則上の積分を数値計算するためにベイズ二次(bq)に焦点を当てる。
先行知識と活発な探索手法を両立させることで,BQは必要な評価回数を大幅に削減できることを示す。
論文 参考訳(メタデータ) (2021-02-12T17:38:04Z) - Neural Ordinary Differential Equations on Manifolds [0.342658286826597]
近年、ニューラルODEに基づくユークリッド空間の正規化フローは大きな可能性を秘めているが、同じ制限を被っている。
ベクトル場がこれらの空間上の可逆写像の柔軟なクラスをパラメータ化するための一般的なフレームワークを提供する方法を示す。
論文 参考訳(メタデータ) (2020-06-11T17:56:34Z)
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。