論文の概要: Smart Flow Matching: On The Theory of Flow Matching Algorithms with
Applications
- arxiv url: http://arxiv.org/abs/2402.03232v1
- Date: Mon, 5 Feb 2024 17:45:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 14:31:26.481481
- Title: Smart Flow Matching: On The Theory of Flow Matching Algorithms with
Applications
- Title（参考訳）: スマートフローマッチング:フローマッチングアルゴリズムの理論と応用について
- Authors: Gleb Ryzhakov, Svetlana Pavlova, Egor Sevriugov, Ivan Oseledets
- Abstract要約: 本稿では,標準流れの損失を最小限に抑えるベクトル場に対する正確な公式を提案する。
条件付きフローマッチング方式でベクトル場モデルをトレーニングするための新しい損失とアルゴリズムを提供する。
- 参考スコア（独自算出の注目度）: 3.868222899558346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The paper presents the exact formula for the vector field that minimizes the
loss for the standard flow. This formula depends analytically on a given
distribution \rho_0 and an unknown one \rho_1. Based on the presented formula,
a new loss and algorithm for training a vector field model in the style of
Conditional Flow Matching are provided. Our loss, in comparison to the standard
Conditional Flow Matching approach, exhibits smaller variance when evaluated
through Monte Carlo sampling methods. Numerical experiments on synthetic models
and models on tabular data of large dimensions demonstrate better learning
results with the use of the presented algorithm.
- Abstract（参考訳）: 本稿では,標準流れの損失を最小限に抑えるベクトル場の正確な公式を示す。
この式は、所定の分布 \rho_0 と未知の分布 \rho_1 に依存する。
提案した式に基づいて、条件付きフローマッチングのスタイルでベクトル場モデルを訓練する新しい損失とアルゴリズムを提供する。
標準条件流マッチング法と比較して,モンテカルロサンプリング法で評価した場合の損失は小さい。
大次元の表データの合成モデルとモデルに関する数値実験は,提案アルゴリズムを用いてより優れた学習結果を示す。
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) - Flow matching achieves almost minimax optimal convergence [50.38891696297888]
フローマッチング (FM) は, シミュレーションのない生成モデルとして注目されている。
本稿では,大試料径のFMの収束特性を$p$-Wasserstein 距離で論じる。
我々は、FMが1leq p leq 2$でほぼ最小の収束率を達成できることを確立し、FMが拡散モデルに匹敵する収束率に達するという最初の理論的証拠を示す。
論文 参考訳（メタデータ） (2024-05-31T14:54:51Z) - Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory [87.00653989457834]
条件付き拡散モデルは現代の画像合成の基礎となり、計算生物学や強化学習などの分野に広く応用されている。
経験的成功にもかかわらず、条件拡散モデルの理論はほとんど欠落している。
本稿では,条件拡散モデルを用いた分布推定の急激な統計的理論を提示することにより,ギャップを埋める。
論文 参考訳（メタデータ） (2024-03-18T17:08:24Z) - Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian
Mixture Models [59.331993845831946]
拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。
本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
論文 参考訳（メタデータ） (2024-03-03T23:15:48Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - Mathematical analysis of singularities in the diffusion model under the
submanifold assumption [0.0]
DDPMにおける解析的平均ドリフト関数とSGMにおけるスコア関数が特異データ分布のサンプリングプロセスの最終段階に爆発的に現れることを示す。
我々は新たな目標関数と関連する損失を導出するが、これは特異データ分布においても有界である。
論文 参考訳（メタデータ） (2023-01-19T05:13:03Z) - How Much is Enough? A Study on Diffusion Times in Score-based Generative
Models [76.76860707897413]
現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。
本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
論文 参考訳（メタデータ） (2022-06-10T15:09:46Z) - 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)
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。