論文の概要: Stable Autonomous Flow Matching

• arxiv url: http://arxiv.org/abs/2402.05774v1
• Date: Thu, 8 Feb 2024 16:01:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-09 14:12:59.221985
• Title: Stable Autonomous Flow Matching
• Title（参考訳）: 安定な自律フローマッチング
• Authors: Christopher Iliffe Sprague, Arne Elofsson, Hossein Azizpour
• Abstract要約: データサンプルが物理的に安定な状態を表す文脈では、データポイントはエネルギーランドスケープの局所的なミニマを表すと仮定されることが多い。 本稿では,このようなデータと,フローマッチングと呼ばれる近年の深層生成モデルに焦点をあてる。
• 参考スコア（独自算出の注目度）: 5.105561029577617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In contexts where data samples represent a physically stable state, it is often assumed that the data points represent the local minima of an energy landscape. In control theory, it is well-known that energy can serve as an effective Lyapunov function. Despite this, connections between control theory and generative models in the literature are sparse, even though there are several machine learning applications with physically stable data points. In this paper, we focus on such data and a recent class of deep generative models called flow matching. We apply tools of stochastic stability for time-independent systems to flow matching models. In doing so, we characterize the space of flow matching models that are amenable to this treatment, as well as draw connections to other control theory principles. We demonstrate our theoretical results on two examples.
• Abstract（参考訳）: データサンプルが物理的に安定した状態を表す文脈では、データポイントがエネルギーランドスケープのローカルなミニマを表していると仮定されることが多い。 制御理論では、エネルギーは有効なリアプノフ関数として機能することが知られている。 それにもかかわらず、制御理論と文学における生成モデルとの接続は、物理的に安定なデータポイントを持つ機械学習応用がいくつかあるにもかかわらず、わずかである。 本稿では,このようなデータと,フローマッチングと呼ばれる近年の深層生成モデルに焦点をあてる。 流れマッチングモデルに時間非依存システムに対する確率安定性のツールを適用する。 そうすることで、この処理に適応可能なフローマッチングモデルの空間を特徴づけると同時に、他の制御理論の原理とのつながりも引き出すことができる。 理論的結果を2つの例に示す。

関連論文リスト

• Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems [4.634606500665259]
  マルチスケールプロセスのモデリングのための知識誘導機械学習(KGML)フレームワークを提案する。 本研究では,水文学における流れ予測の文脈におけるその性能について検討する。
  論文  参考訳（メタデータ） (2024-07-29T16:25:43Z)
• 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)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
  パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。 本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-18T11:29:49Z)
• Training Normalizing Flows from Dependent Data [31.42053454078623]
  データポイント間の依存関係を取り入れたフローの正規化の可能性が示唆された。 本研究では, 観測データ間の依存関係の尊重が, 合成データと実世界のデータの両方に対する経験的結果を改善することを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:50:34Z)
• Stability Preserving Data-driven Models With Latent Dynamics [0.0]
  本稿では,潜在変数を用いた動的問題に対するデータ駆動型モデリング手法を提案する。 本稿では,結合力学の安定性を容易に適用できるモデルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-20T00:41:10Z)
• Generative Flows with Invertible Attentions [135.23766216657745]
  生成フローモデルに対する2種類の非可逆的注意機構を導入する。 フロー特徴写像の2分割毎に注意重みと入力表現を学習するために,分割に基づく注意機構を利用する。 提案手法は, トラクタブルジャコビアン行列を用いた非可逆アテンションモジュールをフローベースモデルの任意の位置にシームレスに統合する。
  論文  参考訳（メタデータ） (2021-06-07T20:43:04Z)
• Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series [11.004159006784977]
  本稿では,階層間の予測の整合性を維持するために,量子レグレッション損失を最適化するフレキシブル非線形モデルを提案する。 ここで導入された理論的枠組みは、下層の微分可微分損失関数を持つ任意の予測モデルに適用できる。
  論文  参考訳（メタデータ） (2021-02-25T00:59:01Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• A physics-informed operator regression framework for extracting data-driven continuum models [0.0]
  高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。 提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。 局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2020-09-25T01:13:51Z)

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。