論文の概要: Generative Modeling of Random Fields from Limited Data via Constrained Latent Flow Matching
- arxiv url: http://arxiv.org/abs/2505.13007v1
- Date: Mon, 19 May 2025 11:47:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:11.568945
- Title: Generative Modeling of Random Fields from Limited Data via Constrained Latent Flow Matching
- Title（参考訳）: 制約付きラテントフローマッチングによる有限データからのランダム場の生成モデリング
- Authors: James E. Warner, Tristan A. Shah, Patrick E. Leser, Geoffrey F. Bomarito, Joshua D. Pribe, Michael C. Stanley,
- Abstract要約: 深層生成モデルは、科学と工学のための有望なツールであるが、その豊富な高品質のデータへの依存は適用性を制限する。
本稿では,限定的,スパース的,間接的データを補うために,ドメイン知識を取り入れたランダムフィールドの生成モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep generative models are promising tools for science and engineering, but their reliance on abundant, high-quality data limits applicability. We present a novel framework for generative modeling of random fields (probability distributions over continuous functions) that incorporates domain knowledge to supplement limited, sparse, and indirect data. The foundation of the approach is latent flow matching, where generative modeling occurs on compressed function representations in the latent space of a pre-trained variational autoencoder (VAE). Innovations include the adoption of a function decoder within the VAE and integration of physical/statistical constraints into the VAE training process. In this way, a latent function representation is learned that yields continuous random field samples satisfying domain-specific constraints when decoded, even in data-limited regimes. Efficacy is demonstrated on two challenging applications: wind velocity field reconstruction from sparse sensors and material property inference from a limited number of indirect measurements. Results show that the proposed framework achieves significant improvements in reconstruction accuracy compared to unconstrained methods and enables effective inference with relatively small training datasets that is intractable without constraints.
- Abstract（参考訳）: 深層生成モデルは、科学と工学のための有望なツールであるが、その豊富な高品質のデータへの依存は適用性を制限する。
本稿では,制約,スパース,間接的データを補うためにドメイン知識を組み込んだランダムフィールド(連続関数上の確率分布)の生成モデルを提案する。
この手法の基礎は潜時流マッチング(英語版)であり、前訓練された変分オートエンコーダ(VAE)の潜時空間における圧縮関数表現に生成的モデリングが生じる。
イノベーションには、VAE内の関数デコーダの採用や、VAEトレーニングプロセスへの物理的/統計的制約の統合が含まれる。
このようにして、遅延関数表現は、データ制限されたレシエーションであっても、デコード時にドメイン固有の制約を満たす連続ランダムフィールドサンプルを生成することを学習する。
スパースセンサによる風速場再構成と, 間接測定数に制限のある材料特性推定の2つの課題に対して, 有効性を示す。
提案手法は,制約のない比較的小さなトレーニングデータセットによる効果的な推論を可能にする。
関連論文リスト
- Training-Free Constrained Generation With Stable Diffusion Models [45.138721047543214]
本稿では,安定拡散モデルと制約付き最適化フレームワークを統合する新しい手法を提案する。
本研究では, 物質科学実験を通じて, 精密な形態計測特性の付着を必要とする手法の有効性を実証する。
論文 参考訳（メタデータ） (2025-02-08T16:11:17Z) - Gradient-Free Generation for Hard-Constrained Systems [41.558608119074755]
既存の制約付き生成モデルは勾配情報に大きく依存しており、いくつかの分野において計算コストが低い場合が多い。
本稿では,ゼロショット方式で制約を正確に満たすために,事前学習された非拘束フローマッチングモデルを適用するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-02T18:36:26Z) - FFHFlow: A Flow-based Variational Approach for Learning Diverse Dexterous Grasps with Shape-Aware Introspection [19.308304984645684]
マルチフィンガーハンドの多様なグリップを生成できる新しいモデルを提案する。
提案手法は, 高いベースラインに対する性能向上と実行時の効率向上を実現する。
また,現実世界の雑多な作業空間や密集した作業空間において,より多様性の高いオブジェクトを把握できることのメリットも示している。
論文 参考訳（メタデータ） (2024-07-21T13:33:08Z) - Physics-Informed Diffusion Models [0.0]
生成モデルと偏微分方程式の充足を統一する枠組みを提案する。
本手法は,流体流動ケーススタディにおける従来の研究と比較して,残差を最大2桁まで低減する。
論文 参考訳（メタデータ） (2024-03-21T13:52:55Z) - Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。
提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
論文 参考訳（メタデータ） (2024-02-05T22:18:16Z) - Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。
この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。
本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-08T04:09:13Z)
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。