論文の概要: Y-shaped Generative Flows

• arxiv url: http://arxiv.org/abs/2510.11955v2
• Date: Wed, 15 Oct 2025 10:40:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 13:11:49.472123
• Title: Y-shaped Generative Flows
• Title（参考訳）: Y字型生成流れ
• Authors: Arip Asadulaev, Semyon Semenov, Abduragim Shtanchaev, Eric Moulines, Fakhri Karray, Martin Takac,
• Abstract要約: 我々は,Y字型生成フローを導入し,確率質量を分岐前の共有経路に沿って移動させる。 合成、画像、生物学のデータセットでは、Yフローは階層構造を回復し、強いフローベースのベースラインを越えて分散メトリクスを改善し、より少ない統合ステップでターゲットに到達する。
• 参考スコア（独自算出の注目度）: 23.602025081791187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern continuous-time generative models often induce V-shaped transport: each sample travels independently along nearly straight trajectories from prior to data, overlooking shared structure. We introduce Y-shaped generative flows, which move probability mass together along shared pathways before branching to target-specific endpoints. Our formulation is based on novel velocity-powered objective with a sublinear exponent (between zero and one). this concave dependence rewards joint and fast mass movement. Practically, we instantiate the idea in a scalable neural ODE training objective. On synthetic, image, and biology datasets, Y-flows recover hierarchy-aware structure, improve distributional metrics over strong flow-based baselines, and reach targets with fewer integration steps.
• Abstract（参考訳）: 現代の連続時間生成モデルは、しばしばV字型の輸送を誘導し、各サンプルはデータからほぼ直線的な軌道に沿って独立に移動し、共有構造を見渡せる。 我々は,Y字型生成フローを導入し,確率質量を分岐前の共有経路に沿って移動させる。 我々の定式化は、(0と1の間に)サブ線形指数を持つ新しい速度駆動の目的に基づいている。 この凹凸依存は 連帯と高速の質量移動を報いる 実際、我々はこのアイデアをスケーラブルなニューラルODEトレーニングの目標としてインスタンス化する。 合成、画像、生物学のデータセットでは、Yフローは階層構造を回復し、強いフローベースのベースラインを越えて分散メトリクスを改善し、より少ない統合ステップでターゲットに到達する。

関連論文リスト

• An Eulerian Perspective on Straight-Line Sampling [0.0]
  本研究では, 生成モデリングのための動的測度輸送, 特に, 特定のソースとターゲット分布をブリッジするプロセスによって誘導される流れについて検討する。 我々は、どのプロセスが直線流を生成するか、すなわち、点加速度が消滅し、従って一階法と完全に統合可能なフローを問う。 本研究では、条件加速度と重み付き共分散(レイノルズ)テンソルのばらつきのバランスとして、直線性の簡潔なPDE特性を提供する。
  論文  参考訳（メタデータ） (2025-10-13T17:33:58Z)
• FORT: Forward-Only Regression Training of Normalizing Flows [85.66894616735752]
  我々は,古典正規化フローを,精度の高い一段階生成モデルとして再考する。 本稿では,従来の最大度学習で用いられる可変式の変更を計算する必要のない,スケーラブルな学習目標を提案する。
  論文  参考訳（メタデータ） (2025-06-01T20:32:27Z)
• How to build a consistency model: Learning flow maps via self-distillation [18.299322342860517]
  フローベース生成モデルは最先端のサンプルの品質を達成するが、推論時に微分方程式の高価な解を必要とする。 これらのモデルには、実際に効率的に学習する方法を明確に説明する統一的な記述がない。 本稿では,フローや拡散モデルに関連するフローマップを直接学習するための体系的なアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-24T18:50:50Z)
• Stochastic interpolants with data-dependent couplings [31.854717378556334]
  補間剤の枠組みを用いて、ベースとターゲット密度を補間する方法を定式化する。 これらのトランスポートマップは、標準的な独立な設定に類似した単純な2乗損失回帰問題を解くことで学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-05T17:46:31Z)
• Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
  我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。 物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。 本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
  論文  参考訳（メタデータ） (2023-04-25T15:53:45Z)
• 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)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)
• TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular Dynamics [74.43710101147849]
  本稿では,動的最適輸送を実現するために,分布間の連続経路を制御するTrjectoryNetを提案する。 単細胞RNAシークエンシング(scRNA-seq)技術から得られたデータにおける細胞動態の研究において、これが特に当てはまるかを示す。
  論文  参考訳（メタデータ） (2020-02-09T21:00:38Z)

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。