論文の概要: Weighted Conditional Flow Matching

• arxiv url: http://arxiv.org/abs/2507.22270v1
• Date: Tue, 29 Jul 2025 22:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:17.895401
• Title: Weighted Conditional Flow Matching
• Title（参考訳）: 重み付き条件付き流れマッチング
• Authors: Sergio Calvo-Ordonez, Matthieu Meunier, Alvaro Cartea, Christoph Reisinger, Yarin Gal, Jose Miguel Hernandez-Lobato,
• Abstract要約: 条件付きフローマッチング(CFM)は、連続正規化フローをトレーニングするための強力なフレームワークとして登場した。 本稿では,Gibsカーネルで各トレーニングペアを$(x, y)$に重み付けすることで,古典的CFM損失を補正する手法として,重み付き条件付きフローマッチング(W-CFM)を提案する。
• 参考スコア（独自算出の注目度）: 26.88652399504886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional flow matching (CFM) has emerged as a powerful framework for training continuous normalizing flows due to its computational efficiency and effectiveness. However, standard CFM often produces paths that deviate significantly from straight-line interpolations between prior and target distributions, making generation slower and less accurate due to the need for fine discretization at inference. Recent methods enhance CFM performance by inducing shorter and straighter trajectories but typically rely on computationally expensive mini-batch optimal transport (OT). Drawing insights from entropic optimal transport (EOT), we propose Weighted Conditional Flow Matching (W-CFM), a novel approach that modifies the classical CFM loss by weighting each training pair $(x, y)$ with a Gibbs kernel. We show that this weighting recovers the entropic OT coupling up to some bias in the marginals, and we provide the conditions under which the marginals remain nearly unchanged. Moreover, we establish an equivalence between W-CFM and the minibatch OT method in the large-batch limit, showing how our method overcomes computational and performance bottlenecks linked to batch size. Empirically, we test our method on unconditional generation on various synthetic and real datasets, confirming that W-CFM achieves comparable or superior sample quality, fidelity, and diversity to other alternative baselines while maintaining the computational efficiency of vanilla CFM.
• Abstract（参考訳）: コンディショナルフローマッチング(CFM)はその計算効率と有効性から連続正規化フローを訓練するための強力なフレームワークとして登場した。 しかし、標準のCFMは、事前分布と目標分布の間の直線的補間から著しく逸脱する経路をしばしば生成し、推論時に微細な離散化を必要とするため、生成を遅く、より正確にする。 最近の手法は、より短く直線的な軌道を誘導することでCFM性能を向上させるが、通常は計算コストのかかるミニバッチ最適輸送(OT)に依存している。 エントロピック最適輸送(EOT)の知見を引用し、ギブスカーネルで各トレーニングペア$(x, y)$を重み付けすることで古典的CFM損失を修正する新しいアプローチである、Weighted Conditional Flow Matching (W-CFM)を提案する。 この重み付けにより、エントロピックOT結合が辺縁の偏りまで回復し、辺縁がほとんど変化しない状態が得られます。 さらに,W-CFM法とミニバッチOT法との等価性を大バッチ限界において確立し,バッチサイズに関連する計算および性能のボトルネックを克服する方法を示す。 実験により, W-CFMは, バニラCFMの計算効率を保ちながら, サンプル品質, 忠実度, 多様性の両立を図った。

関連論文リスト

• Taming Flow Matching with Unbalanced Optimal Transport into Fast Pansharpening [10.23957420290553]
  本稿では,一段階の高品位パンシャーピングを実現するための最適輸送フローマッチングフレームワークを提案する。 OTFMフレームワークは、パンシャーピング制約の厳格な遵守を維持しつつ、シミュレーション不要なトレーニングとシングルステップ推論を可能にする。
  論文  参考訳（メタデータ） (2025-03-19T08:10:49Z)
• Stream-level flow matching with Gaussian processes [4.935875591615496]
  条件付きフローマッチング(CFM)は、連続正規化フロー(CNF)を適合させる訓練アルゴリズムの一群である。 我々は、ストリームに沿った条件付き確率パス、ソースとターゲットのデータペアを接続する遅延パスのインスタンスを定義することで、CFMアルゴリズムを拡張した。 本研究では, CFMの一般化により, 推定限界ベクトル場の分散を適度な計算コストで効果的に低減できることを示す。
  論文  参考訳（メタデータ） (2024-09-30T15:47:22Z)
• 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)
• Flow matching achieves almost minimax optimal convergence [50.38891696297888]
  フローマッチング (FM) は, シミュレーションのない生成モデルとして注目されている。 本稿では,大試料径のFMの収束特性を$p$-Wasserstein 距離で論じる。 我々は、FMが1leq p leq 2$でほぼ最小の収束率を達成できることを確立し、FMが拡散モデルに匹敵する収束率に達するという最初の理論的証拠を示す。
  論文  参考訳（メタデータ） (2024-05-31T14:54:51Z)
• Precise Knowledge Transfer via Flow Matching [24.772381404849174]
  我々はこのフレームワークをフローマッチングを用いた知識伝達(FM-KT)と呼ぶ。 FM-KTは任意の形態(バニラKD、DKD、PKD、DISTなど)のメートル法に基づく蒸留法と統合することができる。 提案手法のスケーラビリティと最先端性能を,関連する比較手法で実証的に検証した。
  論文  参考訳（メタデータ） (2024-02-03T03:59:51Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。