論文の概要: Distribution Matching via Generalized Consistency Models

• arxiv url: http://arxiv.org/abs/2508.12222v1
• Date: Sun, 17 Aug 2025 03:37:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.623749
• Title: Distribution Matching via Generalized Consistency Models
• Title（参考訳）: 一般化一貫性モデルによる分布マッチング
• Authors: Sagar Shrestha, Rajesh Shrestha, Tri Nguyen, Subash Timilsina,
• Abstract要約: 連続正規化フロー(CNF)における整合性モデルに着想を得た分布マッチングの新しい手法を提案する。 我々のモデルは、直進ノルム最小化目標を持つなどCNFモデルの利点を継承するが、GANと同様の異なる制約に適応できる。
• 参考スコア（独自算出の注目度）: 4.3343955642269805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancement in generative models have demonstrated remarkable performance across various data modalities. Beyond their typical use in data synthesis, these models play a crucial role in distribution matching tasks such as latent variable modeling, domain translation, and domain adaptation. Generative Adversarial Networks (GANs) have emerged as the preferred method of distribution matching due to their efficacy in handling high-dimensional data and their flexibility in accommodating various constraints. However, GANs often encounter challenge in training due to their bi-level min-max optimization objective and susceptibility to mode collapse. In this work, we propose a novel approach for distribution matching inspired by the consistency models employed in Continuous Normalizing Flow (CNF). Our model inherits the advantages of CNF models, such as having a straight forward norm minimization objective, while remaining adaptable to different constraints similar to GANs. We provide theoretical validation of our proposed objective and demonstrate its performance through experiments on synthetic and real-world datasets.
• Abstract（参考訳）: 生成モデルの最近の進歩は、様々なデータモダリティで顕著な性能を示している。 データ合成における典型的な使用以外にも、これらのモデルは潜在変数モデリング、ドメイン翻訳、ドメイン適応といった分散マッチングタスクにおいて重要な役割を果たす。 GAN(Generative Adversarial Networks)は,高次元データを扱う上での有効性と,様々な制約を緩和する際の柔軟性から,分散マッチングの好適な方法として登場した。 しかしながら、GANは、二段階のmin-max最適化目標とモード崩壊に対する感受性のために、トレーニングの課題に遭遇することが多い。 本研究では,連続正規化フロー(Continuous Normalizing Flow, CNF)における一貫性モデルに着想を得た分散マッチング手法を提案する。 我々のモデルは、直進ノルム最小化目標を持つなどCNFモデルの利点を継承するが、GANと同様の異なる制約に適応できる。 提案手法を理論的に検証し,実世界のデータセットを用いた実験によりその性能を実証する。

関連論文リスト

• Conditional Data Synthesis Augmentation [4.3108820946281945]
  Conditional Data Synthesis Augmentation (CoDSA)は、マルチモーダルドメイン間のモデルパフォーマンスを改善するために高忠実度データを合成する新しいフレームワークである。 合成データの現実性を高め,スパース領域の試料密度を高めるために,CoDSAファインチューン事前学習生成モデルを構築した。 本稿では,合成サンプル量と対象領域割り当ての関数として,CoDSAが実現した統計的精度向上を定量化する理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-04-10T03:38:11Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Constrained Diffusion Models via Dual Training [80.03953599062365]
  拡散プロセスは、トレーニングデータセットのバイアスを反映したサンプルを生成する傾向がある。 所望の分布に基づいて拡散制約を付与し,制約付き拡散モデルを構築する。 本稿では,制約付き拡散モデルを用いて,目的と制約の最適なトレードオフを実現する混合データ分布から新しいデータを生成することを示す。
  論文  参考訳（メタデータ） (2024-08-27T14:25:42Z)
• Transfer Learning for Diffusion Models [43.10840361752551]
  拡散モデルは高品質な合成サンプルを一貫して生成する。 コレクションコストや関連するリスクのため、現実のアプリケーションでは実用的ではありません。 本稿では,従来の微調整法や正規化法とは異なる新しいアプローチであるTransfer Guided Diffusion Process (TGDP)を紹介する。
  論文  参考訳（メタデータ） (2024-05-27T06:48:58Z)
• 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)
• Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
  離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。 標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
  論文  参考訳（メタデータ） (2023-10-25T17:59:12Z)

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。