論文の概要: Beyond Optimal Transport: Model-Aligned Coupling for Flow Matching

• arxiv url: http://arxiv.org/abs/2505.23346v1
• Date: Thu, 29 May 2025 11:10:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.824023
• Title: Beyond Optimal Transport: Model-Aligned Coupling for Flow Matching
• Title（参考訳）: 最適輸送を超えて:フローマッチングのためのモデル指向結合
• Authors: Yexiong Lin, Yu Yao, Tongliang Liu,
• Abstract要約: フローマッチング(FM)は、サンプルをソース分布からターゲット分布へ輸送するベクトル場を学習するモデルを訓練するための効果的なフレームワークである。 本稿では,幾何距離に基づく学習結合を効果的にマッチングするモデル結合結合(MAC)を提案する。 実験により、MACは既存の手法と比較して、数ステップ設定で生成品質と効率を著しく改善することが示された。
• 参考スコア（独自算出の注目度）: 59.97254029720877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow Matching (FM) is an effective framework for training a model to learn a vector field that transports samples from a source distribution to a target distribution. To train the model, early FM methods use random couplings, which often result in crossing paths and lead the model to learn non-straight trajectories that require many integration steps to generate high-quality samples. To address this, recent methods adopt Optimal Transport (OT) to construct couplings by minimizing geometric distances, which helps reduce path crossings. However, we observe that such geometry-based couplings do not necessarily align with the model's preferred trajectories, making it difficult to learn the vector field induced by these couplings, which prevents the model from learning straight trajectories. Motivated by this, we propose Model-Aligned Coupling (MAC), an effective method that matches training couplings based not only on geometric distance but also on alignment with the model's preferred transport directions based on its prediction error. To avoid the time-costly match process, MAC proposes to select the top-$k$ fraction of couplings with the lowest error for training. Extensive experiments show that MAC significantly improves generation quality and efficiency in few-step settings compared to existing methods. Project page: https://yexionglin.github.io/mac
• Abstract（参考訳）: フローマッチング(FM)は、サンプルをソース分布からターゲット分布へ輸送するベクトル場を学習するモデルを訓練するための効果的なフレームワークである。 このモデルを訓練するために、初期のFM法はランダムカップリングを使用し、しばしば交差経路を導き、高品質なサンプルを生成するために多くの積分ステップを必要とする非直線軌道を学習する。 これを解決するために、最近の手法では、幾何学的距離を最小化して結合を構築するために最適輸送(OT)を採用している。 しかし、そのような幾何学的結合は必ずしもモデルが好む軌道と一致しないので、これらの結合によって誘導されるベクトル場を学習することは困難であり、モデルが直線軌道を学ぶのを妨げている。 そこで本研究では,幾何距離だけでなく,その予測誤差に基づいて,モデルが好む搬送方向と整合性に基づいて,トレーニング結合をマッチングする効果的手法であるモデルアラインド結合(MAC)を提案する。 MACは、時間とコストのかかるマッチングプロセスを避けるために、トレーニングの最も低いエラーと、上位の$k$の結合を選択することを提案している。 大規模な実験により、MACは既存の手法と比較して、数ステップ設定で生成品質と効率を著しく改善することが示された。 プロジェクトページ:https://yexionglin.github.io/mac

関連論文リスト

• NAN: A Training-Free Solution to Coefficient Estimation in Model Merging [61.36020737229637]
  最適なマージ重み付けは,各モデルに符号化されたタスク固有情報の量とともにスケールする必要があることを示す。 パラメータノルムの逆数を用いてモデルマージ係数を推定する,単純で効果的な手法であるNANを提案する。 NANはトレーニングフリーで、プラグアンドプレイで、幅広いマージ戦略に適用できる。
  論文  参考訳（メタデータ） (2025-05-22T02:46:08Z)
• Flow Models for Unbounded and Geometry-Aware Distributional Reinforcement Learning [5.628557798049032]
  本稿では,正規化フローを用いて分布をモデル化する分散強化学習(DistRL)の新しいアーキテクチャを提案する。 このアプローチは、リターン分布に対するフレキシブルで非バウンドなサポートを可能にする。 提案手法は,Quantile ベースの手法と競合しながら,PDF ベースのモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-07T10:49:53Z)
• Flow Map Matching [15.520853806024943]
  フローマップマッチングは、基礎となる常微分方程式の2時間フローマップを学習するアルゴリズムである。 フローマップマッチングは, 拡散法や補間法と比較して, サンプリングコストを大幅に削減した高品質なサンプルとなることを示す。
  論文  参考訳（メタデータ） (2024-06-11T17:41:26Z)
• Preference Alignment with Flow Matching [23.042382086241364]
  優先フローマッチング(PFM)は、好みに基づく強化学習(PbRL)のための新しいフレームワークである 事前訓練されたモデルの任意のクラスへの好みの統合を合理化する。 提案手法の標準PbRL目標との整合性を支持する理論的知見を提供する。
  論文  参考訳（メタデータ） (2024-05-30T08:16:22Z)
• 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)
• Exploring Straighter Trajectories of Flow Matching with Diffusion Guidance [66.4153984834872]
  フローマッチング(StraightFM)のストレートトラジェクトリを提案する。 分布レベル全体から拡散モデルによって導かれる結合戦略により軌道を直線化する。 拡散法と従来のフローマッチング法の間で、FIDが低い視覚的に魅力的な画像を生成する。
  論文  参考訳（メタデータ） (2023-11-28T06:19:30Z)
• 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)

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。