論文の概要: On the Relation between Rectified Flows and Optimal Transport

• arxiv url: http://arxiv.org/abs/2505.19712v1
• Date: Mon, 26 May 2025 09:01:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.304204
• Title: On the Relation between Rectified Flows and Optimal Transport
• Title（参考訳）: 整流流と最適輸送の関係について
• Authors: Johannes Hertrich, Antonin Chambolle, Julie Delon,
• Abstract要約: 整流流マッチングは、学習した輸送経路を直線化し、分布間のより直接的な流れを生み出すことを目的としている。 最近の主張は、学習速度場が勾配であるように制約された整流流が最適輸送問題への解をもたらすことを示唆している。 本稿では, 従来の等価性を無効にするいくつかの反例を提示し, 整流に勾配制約を課すことは, 一般には, 最適輸送マップを計算するための信頼性の高い方法ではないと論じる。
• 参考スコア（独自算出の注目度）: 2.4578723416255754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates the connections between rectified flows, flow matching, and optimal transport. Flow matching is a recent approach to learning generative models by estimating velocity fields that guide transformations from a source to a target distribution. Rectified flow matching aims to straighten the learned transport paths, yielding more direct flows between distributions. Our first contribution is a set of invariance properties of rectified flows and explicit velocity fields. In addition, we also provide explicit constructions and analysis in the Gaussian (not necessarily independent) and Gaussian mixture settings and study the relation to optimal transport. Our second contribution addresses recent claims suggesting that rectified flows, when constrained such that the learned velocity field is a gradient, can yield (asymptotically) solutions to optimal transport problems. We study the existence of solutions for this problem and demonstrate that they only relate to optimal transport under assumptions that are significantly stronger than those previously acknowledged. In particular, we present several counter-examples that invalidate earlier equivalence results in the literature, and we argue that enforcing a gradient constraint on rectified flows is, in general, not a reliable method for computing optimal transport maps.
• Abstract（参考訳）: 本稿では, 整流流, 流れマッチング, 最適輸送の接続について検討する。 フローマッチングは、ソースからターゲット分布への変換を導く速度場を推定することにより、生成モデルを学ぶための最近のアプローチである。 整流流マッチングは、学習した輸送経路を直線化し、分布間のより直接的な流れを生み出すことを目的としている。 最初のコントリビューションは、整流と明示的な速度場の不変性の集合である。 さらに、ガウス混合設定(必ずしも独立ではない)とガウス混合設定において明示的な構成と解析を提供し、最適な輸送との関係について研究する。 第2のコントリビューションは、学習速度場が勾配であるように制約された整流流が最適輸送問題に対する(漸近的に)解が得られることを示唆する最近の主張に対処する。 この問題に対する解の存在について検討し、これまで認識されていたものよりもはるかに強い仮定の下での最適輸送にのみ関係していることを示す。 特に,文献における先行等価性を無効にするいくつかの反例を提示し,整流に勾配制約を課すことは,一般には最適な輸送地図を計算するための信頼性の高い方法ではないと論じる。

関連論文リスト

• On Exact Editing of Flow-Based Diffusion Models [97.0633397035926]
  本研究では,フローベース編集を既知ソースによって駆動される分散変換問題として再構成する条件付き速度補正(CVC)を提案する。 CVCは、双対パースペクティブな速度変換機構を導入することにより、分配間変換における速度の役割を再考する。 我々は,CVCが優れた忠実度,セマンティックアライメント,多種多様なタスクに対する信頼性の高い編集動作を一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2025-12-30T06:29:20Z)
• Latent Refinement via Flow Matching for Training-free Linear Inverse Problem Solving [18.226350407462643]
  LFlowは,事前学習した潜水前処理を用いて線形逆問題を解決するための学習自由フレームワークである。 提案手法は,ほとんどのタスクの再構成品質において,最先端の潜伏拡散解法よりも優れる。
  論文  参考訳（メタデータ） (2025-11-08T21:20:59Z)
• An Eulerian Perspective on Straight-Line Sampling [0.0]
  本研究では, 生成モデリングのための動的測度輸送, 特に, 特定のソースとターゲット分布をブリッジするプロセスによって誘導される流れについて検討する。 我々は、どのプロセスが直線流を生成するか、すなわち、点加速度が消滅し、従って一階法と完全に統合可能なフローを問う。 本研究では、条件加速度と重み付き共分散(レイノルズ)テンソルのばらつきのバランスとして、直線性の簡潔なPDE特性を提供する。
  論文  参考訳（メタデータ） (2025-10-13T17:33:58Z)
• Diffusion Bridge or Flow Matching? A Unifying Framework and Comparative Analysis [57.614436689939986]
  拡散ブリッジとフローマッチングは、任意の分布間の変換において魅力的な経験的性能を示した。 我々は,これらのフレームワークを最適制御のレンズを通して再キャストし,拡散橋のコスト関数が低いことを証明した。 これらの理論的主張を裏付けるために,潜伏変圧器上に構築された拡散橋の新しい強力なアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-09-29T09:45:22Z)
• Proximal optimal transport divergences [6.6875717609310765]
  不完全な畳み込みの定式化により,情報分岐と最適輸送距離を補間する新しい相違尺度である,近位最適輸送発散を導入する。 この発散は、生成モデルで頻繁に使用される最適な輸送近位法と近位最適化法の基礎となる。 我々は,その滑らかさ,有界性,計算的トラクタビリティなどの数学的性質を探求し,原始双対の定式化と対角学習とのつながりを確立する。
  論文  参考訳（メタデータ） (2025-05-17T17:48:11Z)
• Variational Rectified Flow Matching [100.63726791602049]
  多モード速度ベクトル場をモデル化して古典的整流流マッチングを改良する。 変動補正フローマッチングが有意な結果をもたらす合成データについて述べる。
  論文  参考訳（メタデータ） (2025-02-13T18:59:15Z)
• Flow Matching: Markov Kernels, Stochastic Processes and Transport Plans [1.9766522384767222]
  フローマッチング技術は、逆問題の解決に利用できる。 逆問題の解法として,フローマッチングが有効であることを示す。 本稿では,連続正規化フローとスコアマッチング手法について簡潔に述べる。
  論文  参考訳（メタデータ） (2025-01-28T10:28:17Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Consistency Flow Matching: Defining Straight Flows with Velocity Consistency [97.28511135503176]
  本稿では,速度場の自己整合性を明示する新しいFM法であるConsistency Flow Matching(Consistency-FM)を紹介する。 予備実験により、一貫性FMは、一貫性モデルよりも4.4倍速く収束することにより、トレーニング効率を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-07-02T16:15:37Z)
• Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
  我々は,新しいtextbf Optimal Flow Matching (OFM) アプローチを開発し,理論的に正当化する。 これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。 提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
  論文  参考訳（メタデータ） (2024-03-19T19:44:54Z)
• Flow-based Distributionally Robust Optimization [23.232731771848883]
  We present a framework, called $textttFlowDRO$, for solve flow-based distributionally robust optimization (DRO) problem with Wasserstein uncertainty set。 我々は、連続した最悪のケース分布(Last Favorable Distribution, LFD)とそれからのサンプルを見つけることを目指している。 本稿では、逆学習、分布論的に堅牢な仮説テスト、およびデータ駆動型分布摂動差分プライバシーの新しいメカニズムを実証する。
  論文  参考訳（メタデータ） (2023-10-30T03:53:31Z)
• A Computational Framework for Solving Wasserstein Lagrangian Flows [48.87656245464521]
  一般に、最適密度経路は未知であり、これらの変動問題の解法は計算的に困難である。 本稿では,これらすべての問題に統一的な視点からアプローチする,新しいディープラーニングベースのフレームワークを提案する。 提案手法は, 単セル軌道推定における従来の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-16T17:59:54Z)
• Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow [32.459587479351846]
  我々は、(神経)常微分方程式(ODE)モデルを学ぶための驚くほど単純なアプローチである整流流を提示する。 補正フローは画像生成,画像から画像への変換,ドメイン適応に優しく作用することを示す。
  論文  参考訳（メタデータ） (2022-09-07T08:59:55Z)
• Learning Optimal Transport Between two Empirical Distributions with Normalizing Flows [12.91637880428221]
  本稿では、ニューラルネットワークの柔軟性を活用して、最適輸送マップを近似的に学習することを提案する。 我々は、このOT問題の解を近似するために、非可逆ニューラルネットワークの特定の例、すなわち正規化フローが利用できることを示した。
  論文  参考訳（メタデータ） (2022-07-04T08:08:47Z)
• 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。