論文の概要: Extended Flow Matching: a Method of Conditional Generation with
Generalized Continuity Equation
- arxiv url: http://arxiv.org/abs/2402.18839v2
- Date: Sun, 3 Mar 2024 05:28:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 19:24:08.378868
- Title: Extended Flow Matching: a Method of Conditional Generation with
Generalized Continuity Equation
- Title(参考訳): 拡張フローマッチング:一般化連続性方程式を用いた条件付き生成法
- Authors: Noboru Isobe, Masanori Koyama, Kohei Hayashi and Kenji Fukumizu
- Abstract要約: 本研究では,フローマッチングに基づく条件生成理論を開発する。
確率経路を経路空間上の分布として解釈することで、流れに基づく条件分布の生成の新しい理論を確立する。
- 参考スコア(独自算出の注目度): 23.105560565148107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The task of conditional generation is one of the most important applications
of generative models, and numerous methods have been developed to date based on
the celebrated diffusion models, with the guidance-based classifier-free method
taking the lead. However, the theory of the guidance-based method not only
requires the user to fine-tune the "guidance strength," but its target vector
field does not necessarily correspond to the conditional distribution used in
training. In this paper, we develop the theory of conditional generation based
on Flow Matching, a current strong contender of diffusion methods. Motivated by
the interpretation of a probability path as a distribution on path space, we
establish a novel theory of flow-based generation of conditional distribution
by employing the mathematical framework of generalized continuity equation
instead of the continuity equation in flow matching. This theory naturally
derives a method that aims to match the matrix field as opposed to the vector
field. Our framework ensures the continuity of the generated conditional
distribution through the existence of flow between conditional distributions.
We will present our theory through experiments and mathematical results.
- Abstract(参考訳): 条件生成の課題は生成モデルの最も重要な応用の1つであり、指導に基づく分類器フリーな手法が先導する、祝福された拡散モデルに基づく多くの手法が開発されている。
しかし、誘導法の理論は「誘導強度」を微調整するだけでなく、目標ベクトル場が必ずしも訓練で使用する条件分布に対応しているとは限らない。
本稿では,現在の拡散法候補であるフローマッチングに基づく条件生成の理論を考案する。
確率経路を経路空間上の分布として解釈することで、フローマッチングにおける連続性方程式の代わりに一般化連続性方程式の数学的枠組みを用いて、流れに基づく条件分布の生成の新しい理論を確立する。
この理論は、ベクトル場とは対照的に行列場に一致することを目的とする手法を自然に導出する。
本フレームワークは,条件分布間の流れの存在を通じて生成した条件分布の連続性を保証する。
我々は実験と数学的結果を通して理論を提示する。
関連論文リスト
- 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) - Generative Modeling of Discrete Joint Distributions by E-Geodesic Flow
Matching on Assignment Manifolds [0.8594140167290099]
一般の非分解離散分布は、部分多様体をすべての合同離散分布のメタプレプレックスに埋め込むことで近似することができる。
離散分布を分解する測地線の流れをマッチングすることにより、生成モデルの効率的な訓練を実演する。
論文 参考訳(メタデータ) (2024-02-12T17:56:52Z) - Deep Conditional Generative Learning: Model and Error Analysis [3.4623717820849476]
本稿では,Folmer Flowという条件分布を学習するための正規微分方程式に基づく深層生成手法を提案する。
実効的な実装のために、我々は、ディープニューラルネットワークを用いて非パラメトリックに速度場を推定する条件付き手法を用いて流れを識別する。
本研究では,学習したサンプルの分布と対象分布との間のワッサーシュタイン距離における非漸近収束率を導出し,ODEフローによる条件分布学習のための第1の総合的エンドツーエンド誤差解析を行う。
論文 参考訳(メタデータ) (2024-02-02T14:52:10Z) - Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳(メタデータ) (2024-01-29T02:08:40Z) - Causal Modeling with Stationary Diffusions [89.94899196106223]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。
古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。
提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文 参考訳(メタデータ) (2023-10-26T14:01:17Z) - A Coupled Flow Approach to Imitation Learning [24.024918837659474]
強化学習と模倣学習では、政策によって引き起こされる状態分布が重要視される。
本研究では,上述の分布に対する正規化フローベースモデルの適用について検討する。
提案アルゴリズムであるCFIL(Coupled Flow Learning)は,ベンチマークタスクにおける最先端のパフォーマンスを1つの専門家軌道で達成する。
論文 参考訳(メタデータ) (2023-04-29T17:10:17Z) - Building Normalizing Flows with Stochastic Interpolants [11.22149158986164]
一対の基底分布と対象分布の間の連続時間正規化フローに基づく単純な2次モデルを提案する。
この流れの速度場は、基地と目標の間を有限時間で補間する時間依存分布の確率電流から推定される。
論文 参考訳(メタデータ) (2022-09-30T16:30:31Z) - Contextuality scenarios arising from networks of stochastic processes [68.8204255655161]
経験的モデルは、その分布が X 上の合同分布を極小化することができなければ文脈的と言える。
我々は、多くのプロセス間の相互作用という、文脈的経験的モデルの異なる古典的な源泉を示す。
長期にわたるネットワークの統計的挙動は、経験的モデルを一般的な文脈的かつ強い文脈的にする。
論文 参考訳(メタデータ) (2020-06-22T16:57:52Z) - Composing Normalizing Flows for Inverse Problems [89.06155049265641]
本稿では,2つの流れモデルの合成として,対象条件を推定する近似推論フレームワークを提案する。
本手法は,様々な逆問題に対して評価し,不確実性のある高品質な試料を作製することを示した。
論文 参考訳(メタデータ) (2020-02-26T19:01:11Z)
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。