論文の概要: Generator Matching: Generative modeling with arbitrary Markov processes

• arxiv url: http://arxiv.org/abs/2410.20587v1
• Date: Sun, 27 Oct 2024 20:47:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:16:39.486887
• Title: Generator Matching: Generative modeling with arbitrary Markov processes
• Title（参考訳）: ジェネレータマッチング:任意のマルコフプロセスによる生成モデリング
• Authors: Peter Holderrieth, Marton Havasi, Jason Yim, Neta Shaul, Itai Gat, Tommi Jaakkola, Brian Karrer, Ricky T. Q. Chen, Yaron Lipman,
• Abstract要約: 任意のマルコフプロセスを用いた生成モデリングのためのモダリティに依存しないフレームワークであるジェネレータマッチングを導入する。 本稿では,ジェネレータマッチングが拡散モデル,フローマッチング,離散拡散モデルなど,様々な生成的モデリング手法を統合することを示す。 ジャンププロセスのような新しいマルコフプロセスに設計空間を拡大する基盤を提供する。
• 参考スコア（独自算出の注目度）: 37.71088961033422
• License:
• Abstract: We introduce generator matching, a modality-agnostic framework for generative modeling using arbitrary Markov processes. Generators characterize the infinitesimal evolution of a Markov process, which we leverage for generative modeling in a similar vein to flow matching: we construct conditional generators which generate single data points, then learn to approximate the marginal generator which generates the full data distribution. We show that generator matching unifies various generative modeling methods, including diffusion models, flow matching and discrete diffusion models. Furthermore, it provides the foundation to expand the design space to new and unexplored Markov processes such as jump processes. Finally, generator matching enables the construction of superpositions of Markov generative processes and enables the construction of multimodal models in a rigorous manner. We empirically validate our method on protein and image structure generation, showing that superposition with a jump process improves image generation.
• Abstract（参考訳）: 任意のマルコフプロセスを用いた生成モデリングのためのモダリティに依存しないフレームワークであるジェネレータマッチングを導入する。 生成元はマルコフ過程の無限小進化を特徴付け, フローマッチングに類似したベクトル生成モデルを用いて, 単一データ点を生成する条件付き生成元を構築し, 完全データ分布を生成する限界生成元を近似する。 本稿では,ジェネレータマッチングが拡散モデル,フローマッチング,離散拡散モデルなど,様々な生成的モデリング手法を統合することを示す。 さらに、ジャンププロセスのような新しい未探索のマルコフプロセスに設計空間を拡大する基盤を提供する。 最後に、ジェネレータマッチングはマルコフ生成過程の重ね合わせの構築を可能にし、厳密な方法でマルチモーダルモデルの構築を可能にする。 本研究では,タンパク質および画像構造生成の手法を実証的に検証し,ジャンププロセスによる重ね合わせが画像生成を改善することを示す。

関連論文リスト

• Heuristically Adaptive Diffusion-Model Evolutionary Strategy [1.8299322342860518]
  拡散モデル(Diffusion Models)は、生成モデルにおいて重要な進歩を示す。 本研究は,拡散モデルと進化的アルゴリズムの基本的な関係を明らかにする。 我々のフレームワークは、進化的最適化プロセスにおいて、柔軟性、精度、制御性を高めたアルゴリズム上の大きな遷移を示す。
  論文  参考訳（メタデータ） (2024-11-20T16:06:28Z)
• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
  グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。 本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
  論文  参考訳（メタデータ） (2024-08-23T16:24:40Z)
• Generative Flows on Discrete State-Spaces: Enabling Multimodal Flows with Applications to Protein Co-Design [37.634098563033795]
  本稿では、フローベース生成モデルの実現に欠落したリンクを提供する離散データのフローベースモデルを提案する。 私たちの重要な洞察は、連続時間マルコフ連鎖を用いて連続空間フローマッチングの離散的等価性を実現できるということです。 この能力をタンパク質共設計のタスクに適用し、タンパク質の構造と配列を共同生成するモデルを学ぶ。
  論文  参考訳（メタデータ） (2024-02-07T16:15:36Z)
• EigenFold: Generative Protein Structure Prediction with Diffusion Models [10.24107243529341]
  EigenFoldは、特定のタンパク質配列から構造分布をサンプリングする拡散生成モデリングフレームワークである。 最近のCAMEOターゲットでは、EigenFoldは0.84の中央値TMSスコアを達成し、モデルの不確実性のより包括的な画像を提供する。
  論文  参考訳（メタデータ） (2023-04-05T02:46:13Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• Controllable and Compositional Generation with Latent-Space Energy-Based Models [60.87740144816278]
  制御可能な生成は、現実世界のアプリケーションで深層生成モデルの採用を成功させる上で重要な要件の1つである。 本研究では, エネルギーモデル(EBM)を用いて, 属性の集合上での合成生成を扱う。 エネルギー関数を論理演算子と合成することにより、分解能1024x1024のフォトリアリスティック画像を生成する際に、このような構成性を実現するのはこれが初めてである。
  論文  参考訳（メタデータ） (2021-10-21T03:31:45Z)
• BIGRoC: Boosting Image Generation via a Robust Classifier [27.66648389933265]
  生成した画像の画質と分布の忠実度を改善するための一般的なモデルに依存しない手法を提案する。 BIGRoCと呼ばれるこの手法は、与えられたロバストな分類器の誘導による後処理手順に基づいている。
  論文  参考訳（メタデータ） (2021-08-08T18:05:44Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。