論文の概要: ESS-Flow: Training-free guidance of flow-based models as inference in source space

• arxiv url: http://arxiv.org/abs/2510.05849v1
• Date: Tue, 07 Oct 2025 12:11:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.240571
• Title: ESS-Flow: Training-free guidance of flow-based models as inference in source space
• Title（参考訳）: ESS-Flow:ソース空間における推論としてのフローベースモデルのトレーニング不要ガイダンス
• Authors: Adhithyan Kalaivanan, Zheng Zhao, Jens Sjölund, Fredrik Lindsten,
• Abstract要約: Slice Smpling を用いてソース空間で直接推論を行うため,フローベースモデルにおけるソース分布に先立ってガウス式を利用する勾配のない ESS-Flow を提案する。 目的とする材料設計におけるその効果を実証し, 残差間距離測定からタンパク質構造を予測した。
• 参考スコア（独自算出の注目度）: 15.077556801319693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Guiding pretrained flow-based generative models for conditional generation or to produce samples with desired target properties enables solving diverse tasks without retraining on paired data. We present ESS-Flow, a gradient-free method that leverages the typically Gaussian prior of the source distribution in flow-based models to perform Bayesian inference directly in the source space using Elliptical Slice Sampling. ESS-Flow only requires forward passes through the generative model and observation process, no gradient or Jacobian computations, and is applicable even when gradients are unreliable or unavailable, such as with simulation-based observations or quantization in the generation or observation process. We demonstrate its effectiveness on designing materials with desired target properties and predicting protein structures from sparse inter-residue distance measurements.
• Abstract（参考訳）: 条件付き生成のための事前学習フローベース生成モデルを誘導したり、望ましい目標特性を持つサンプルを作成することで、ペア化されたデータに再学習することなく、多様なタスクを解くことができる。 本稿では,フローベースモデルにおけるソース分布のガウス的先行性を利用して,楕円スライスサンプリングを用いて,ソース空間でベイズ的推論を行う勾配自由度手法であるESS-Flowを提案する。 ESS-Flowは、生成モデルや観測プロセス、勾配やジャコビアン計算は必要とせず、シミュレーションベースの観測や、生成や観測プロセスにおける量子化など、勾配が信頼できない、あるいは利用できない場合でも適用可能である。 目的とする材料設計におけるその効果を実証し, 残差間距離測定からタンパク質構造を予測した。

関連論文リスト

• ContinualFlow: Learning and Unlearning with Neural Flow Matching [13.628458744188325]
  本研究では、フローマッチングによる生成モデルにおける目標未学習のための原則的フレームワークであるContinualFlowを紹介する。 本手法では,スクラッチからのトレーニングやサンプルへの直接アクセスを必要とせずに,エネルギーによる再加重損失を利用して,データ分布の不要領域をソフトに減算する。
  論文  参考訳（メタデータ） (2025-06-23T15:20:58Z)
• Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
  事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。 本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-04T17:46:51Z)
• Generative prediction of flow fields around an obstacle using the diffusion model [12.094115138998745]
  本稿では,障害物まわりの流れ場を予測するために,障害物形状を入力として利用する幾何学的-フロー拡散モデルを提案する。 マルコフ過程は障害物形状に条件付けされ、各ステップで除去されるノイズを推定する。 我々は、円、楕円、長方形、三角形を含む単純な障害物を取り巻く流れのデータセットを用いて、幾何学と流れの拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2024-06-30T15:48:57Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• Uncertainty quantification and out-of-distribution detection using surjective normalizing flows [46.51077762143714]
  本稿では,深層ニューラルネットワークモデルにおける分布外データセットの探索的正規化フローを用いた簡単なアプローチを提案する。 本手法は, 流通外データと流通内データとを確実に識別できることを示す。
  論文  参考訳（メタデータ） (2023-11-01T09:08:35Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)

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。