論文の概要: Inference-Time Compute Scaling For Flow Matching

• arxiv url: http://arxiv.org/abs/2510.17786v1
• Date: Mon, 20 Oct 2025 17:44:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.548756
• Title: Inference-Time Compute Scaling For Flow Matching
• Title（参考訳）: フローマッチングのための推論時間計算スケーリング
• Authors: Adam Stecklov, Noah El Rimawi-Fine, Mathieu Blanchette,
• Abstract要約: Flow Matching (FM) は言語、ビジョン、科学領域で注目を集めている。 我々は,サンプリング中に線形補間体を保存するFMの新しい推論時間スケーリング手法を提案する。 画像生成における本手法の評価と,非条件タンパク質生成を初めて行った結果,I) サンプルの品質は推論計算の増加とともに一貫して向上することが示された。
• 参考スコア（独自算出の注目度）: 2.0200069355804264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Allocating extra computation at inference time has recently improved sample quality in large language models and diffusion-based image generation. In parallel, Flow Matching (FM) has gained traction in language, vision, and scientific domains, but inference-time scaling methods for it remain under-explored. Concurrently, Kim et al., 2025 approach this problem but replace the linear interpolant with a non-linear variance-preserving (VP) interpolant at inference, sacrificing FM's efficient and straight sampling. Additionally, inference-time compute scaling for flow matching has only been applied to visual tasks, like image generation. We introduce novel inference-time scaling procedures for FM that preserve the linear interpolant during sampling. Evaluations of our method on image generation, and for the first time (to the best of our knowledge), unconditional protein generation, show that I) sample quality consistently improves as inference compute increases, and II) flow matching inference-time scaling can be applied to scientific domains.
• Abstract（参考訳）: 推論時に余分な計算を割り当てることは、最近、大きな言語モデルにおけるサンプル品質と拡散に基づく画像生成を改善した。 並行して、フローマッチング(FM)は言語、視覚、科学領域で注目を集めているが、推論時間スケーリング手法は未探索のままである。 同時に、Kim et al , 2025はこの問題にアプローチしたが、線形補間剤を推論時に非線形分散保存(VP)補間剤に置き換え、FMの効率的で直線的なサンプリングを犠牲にする。 さらに、フローマッチングのための推論時間計算のスケーリングは、画像生成のような視覚的なタスクにのみ適用される。 我々は,サンプリング中に線形補間体を保存するFMの新しい推論時間スケーリング手法を提案する。 画像生成における本手法の評価と,無条件のタンパク質生成において,I) サンプルの品質は,推論計算の増加とともに常に向上し,II) フローマッチング・推論時間スケーリングが科学領域に適用可能であることを示す。

関連論文リスト

• Addressing degeneracies in latent interpolation for diffusion models [11.80626524879555]
  入力画像の集合を反転させて生成した潜伏剤間の補間に有用である。 入力数が大きければ, 結果の退化に繋がることが観察できる。 そこで本研究では,潜伏者間において容易に使用可能な簡易正規化方式を提案する。
  論文  参考訳（メタデータ） (2025-05-12T12:12:57Z)
• Inference-Time Alignment in Diffusion Models with Reward-Guided Generation: Tutorial and Review [59.856222854472605]
  このチュートリアルは、拡散モデルにおける下流の報酬関数を最適化するための推論時ガイダンスとアライメント方法に関する詳細なガイドを提供する。 生物学のような分野における実践的な応用は、しばしば特定の指標を最大化するサンプル生成を必要とする。 本稿では,(1)推論時と組み合わせた微調整手法,(2)モンテカルロ木探索などの探索アルゴリズムに基づく推論時アルゴリズム,(3)言語モデルと拡散モデルにおける推論時アルゴリズムの接続について論じる。
  論文  参考訳（メタデータ） (2025-01-16T17:37:35Z)
• Fast constrained sampling in pre-trained diffusion models [80.99262780028015]
  任意の制約下で高速で高品質な生成を可能にするアルゴリズムを提案する。 我々の手法は、最先端のトレーニングフリー推論手法に匹敵するか、超越した結果をもたらす。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• A Simple Early Exiting Framework for Accelerated Sampling in Diffusion Models [14.859580045688487]
  拡散モデルの現実的なボトルネックはサンプリング速度である。 スコア推定に必要な計算を適応的に割り当てる新しいフレームワークを提案する。 本研究では,画像品質を損なうことなく,拡散モデルのサンプリングスループットを大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-08-12T05:33:45Z)
• Adaptive Federated Learning Over the Air [108.62635460744109]
  オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。 解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
  論文  参考訳（メタデータ） (2024-03-11T09:10:37Z)
• Predictive online optimisation with applications to optical flow [0.0]
  オンラインは、未解決のまま問題に導入されている新しいデータを中心に展開している。 我々はこのアイデアを,光学的流れを伴うビデオ処理などの動的逆問題に適用する。 逆問題に対して、この効果は本質的に、時間的結合を伴う静的正規化器の不完全畳み込みに基づく新しい動的正規化器を構築することであることを示す。
  論文  参考訳（メタデータ） (2020-02-08T00:21:01Z)

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。