論文の概要: Chance-constrained Flow Matching for High-Fidelity Constraint-aware Generation

• arxiv url: http://arxiv.org/abs/2509.25157v1
• Date: Mon, 29 Sep 2025 17:56:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.14275
• Title: Chance-constrained Flow Matching for High-Fidelity Constraint-aware Generation
• Title（参考訳）: 高忠実性制約認識のためのチャンス制約フローマッチング
• Authors: Jinhao Liang, Yixuan Sun, Anirban Samaddar, Sandeep Madireddy, Ferdinando Fioretto,
• Abstract要約: Chance-Constrained Flow Matchingは、最適化をサンプリングプロセスに統合し、ハード制約の効果的な適用を可能にする。 実験により、CCFMは複雑な物理系のモデリングにおいて、現在の最先端の制約付き生成モデルよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 46.932479632530764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models excel at synthesizing high-fidelity samples from complex data distributions, but they often violate hard constraints arising from physical laws or task specifications. A common remedy is to project intermediate samples onto the feasible set; however, repeated projection can distort the learned distribution and induce a mismatch with the data manifold. Thus, recent multi-stage procedures attempt to defer projection to clean samples during sampling, but they increase algorithmic complexity and accumulate errors across steps. This paper addresses these challenges by proposing a novel training-free method, Chance-constrained Flow Matching (CCFM), that integrates stochastic optimization into the sampling process, enabling effective enforcement of hard constraints while maintaining high-fidelity sample generation. Importantly, CCFM guarantees feasibility in the same manner as conventional repeated projection, yet, despite operating directly on noisy intermediate samples, it is theoretically equivalent to projecting onto the feasible set defined by clean samples. This yields a sampler that mitigates distributional distortion. Empirical experiments show that CCFM outperforms current state-of-the-art constrained generative models in modeling complex physical systems governed by partial differential equations and molecular docking problems, delivering higher feasibility and fidelity.
• Abstract（参考訳）: 生成モデルは複雑なデータ分布から高忠実度サンプルを合成するのに優れているが、物理法則やタスク仕様から生じる厳しい制約にしばしば違反する。 一般的な治療法は、中間サンプルを実行可能な集合に射影することであるが、反復射影は学習した分布を歪曲し、データ多様体とのミスマッチを誘導することができる。 このように、最近の多段階の手順はサンプリング中にサンプルをきれいにするために投影を遅延させようとするが、アルゴリズムの複雑さを増し、ステップ全体にわたってエラーを蓄積する。 本稿では, 確率的最適化をサンプリングプロセスに統合し, 高忠実度サンプル生成を維持しながら, 厳密な制約の効果的適用を可能にする, 新たなトレーニング不要なChance-Constrained Flow Matching (CCFM)を提案する。 重要なことは、CCFMは従来の反復射影と同じ方法で実現可能であることを保証しているが、ノイズの多い中間サンプルを直接操作しているにもかかわらず、理論上はクリーンサンプルによって定義された実現可能な集合に投影するのと等価である。 これにより、分布歪みを緩和するサンプリング器が得られる。 実証実験により、CCFMは偏微分方程式と分子ドッキング問題によって支配される複雑な物理系のモデリングにおいて、現在の最先端の制約された生成モデルよりも優れ、高い実現可能性と忠実性をもたらすことが示された。

関連論文リスト

• Constrained Discrete Diffusion [61.81569616239755]
  本稿では,拡散過程における微分可能制約最適化の新たな統合であるCDD(Constrained Discrete Diffusion)を紹介する。 CDDは直接、離散拡散サンプリングプロセスに制約を課し、トレーニング不要で効果的なアプローチをもたらす。
  論文  参考訳（メタデータ） (2025-03-12T19:48:12Z)
• Generative Uncertainty in Diffusion Models [17.06573336804057]
  合成試料の生成不確かさを推定するためのベイズ的枠組みを提案する。 提案手法は, 品質の悪いサンプルを効果的に同定し, 既存の不確実性に基づく手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-02-28T10:56:39Z)
• 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)
• Semi-Implicit Denoising Diffusion Models (SIDDMs) [50.30163684539586]
  Denoising Diffusion Probabilistic Models (DDPM)のような既存のモデルは、高品質で多様なサンプルを提供するが、本質的に多くの反復的なステップによって遅くなる。 暗黙的要因と明示的要因を一致させることにより、この問題に対処する新しいアプローチを導入する。 提案手法は拡散モデルに匹敵する生成性能と,少数のサンプリングステップを持つモデルに比較して非常に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-21T18:49:22Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Selectively increasing the diversity of GAN-generated samples [8.980453507536017]
  本稿では,GAN生成サンプルの多様性を選択的に向上する手法を提案する。 本研究では,CERN における ALICE 実験のZero Degree Calorimeter から得られたデータをシミュレーションする実生活シナリオとともに,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2022-07-04T16:27:06Z)

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。