論文の概要: Path Gradients after Flow Matching

• arxiv url: http://arxiv.org/abs/2505.10139v1
• Date: Thu, 15 May 2025 10:13:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.275772
• Title: Path Gradients after Flow Matching
• Title（参考訳）: フローマッチング後の経路勾配
• Authors: Lorenz Vaitl, Leon Klein,
• Abstract要約: フローマッチングが継続的正規化フロー(CNF)の高速化に役立った フローマッチングによって訓練されたCNFの微調整に経路勾配を用いることの利点について検討する。 実験により, このハイブリッドアプローチは, 分子系のサンプリング効率を最大3倍に向上させることが示された。
• 参考スコア（独自算出の注目度）: 2.07180164747172
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Boltzmann Generators have emerged as a promising machine learning tool for generating samples from equilibrium distributions of molecular systems using Normalizing Flows and importance weighting. Recently, Flow Matching has helped speed up Continuous Normalizing Flows (CNFs), scale them to more complex molecular systems, and minimize the length of the flow integration trajectories. We investigate the benefits of using path gradients to fine-tune CNFs initially trained by Flow Matching, in the setting where a target energy is known. Our experiments show that this hybrid approach yields up to a threefold increase in sampling efficiency for molecular systems, all while using the same model, a similar computational budget and without the need for additional sampling. Furthermore, by measuring the length of the flow trajectories during fine-tuning, we show that path gradients largely preserve the learned structure of the flow.
• Abstract（参考訳）: Boltzmann Generatorsは、正規化フローと重み付けを用いた分子系の平衡分布からサンプルを生成するための有望な機械学習ツールとして登場した。 近年、フローマッチングは、連続正規化フロー(CNF)を高速化し、より複雑な分子システムに拡張し、フロー統合軌道の長さを最小化するのに役立っている。 本研究では,フローマッチングによって訓練されたCNFの微調整に経路勾配を用いることの利点について検討する。 実験の結果, このハイブリッド手法は, 同じモデル, 類似の計算予算, 追加サンプリングを必要とせずとも, 分子系のサンプリング効率を最大3倍に向上させることがわかった。 さらに, 微調整時の流れ軌跡の長さを計測することにより, 経路勾配が流れの学習構造をほとんど維持していることを示す。

関連論文リスト

• Transition Path Sampling with Improved Off-Policy Training of Diffusion Path Samplers [10.210248065533133]
  本稿では,拡散経路サンプリング問題に対処するために拡散経路サンプリング器(DPS)を訓練する新しい手法を提案する。 DPSにより誘導される経路分布と遷移経路分布との対数分散を最小化することにより、遷移経路分布からの償却サンプリングとして問題を再構築する。 我々は、TPS-DPSと呼ばれる我々のアプローチを、合成系、小ペプチド、高速折りたたみタンパク質で広範囲に評価し、既存のベースラインよりも現実的で多様な遷移経路を生み出すことを実証した。
  論文  参考訳（メタデータ） (2024-05-30T11:32:42Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Equivariant flow matching [0.9208007322096533]
  等変連続正規化流(CNF)の新しい訓練目標である等変フローマッチングを導入する。 等変流マッチングは、標的エネルギーの物理対称性を利用して、同変CNFの効率的でシミュレーションなしな訓練を行う。 この結果から,同変フローマッチングの対象は,従来の手法に比べて,より短い積分経路,サンプリング効率の向上,スケーラビリティの向上を図っている。
  論文  参考訳（メタデータ） (2023-06-26T19:40:10Z)
• Conditioning Normalizing Flows for Rare Event Sampling [61.005334495264194]
  本稿では,ニューラルネットワーク生成構成に基づく遷移経路サンプリング手法を提案する。 本手法は遷移領域の熱力学と運動学の両方の解法を可能にすることを示す。
  論文  参考訳（メタデータ） (2022-07-29T07:56:10Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
  学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。 フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。 既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
  論文  参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。