論文の概要: Demystifying Transition Matching: When and Why It Can Beat Flow Matching

• arxiv url: http://arxiv.org/abs/2510.17991v1
• Date: Mon, 20 Oct 2025 18:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.442174
• Title: Demystifying Transition Matching: When and Why It Can Beat Flow Matching
• Title（参考訳）: トランジッションマッチングのデミスティフィケーション:いつ、なぜフローマッチングに勝てるのか
• Authors: Jaihoon Kim, Rajarshi Saha, Minhyuk Sung, Youngsuk Park,
• Abstract要約: Flow Matching (FM)は多くの最先端の生成モデルを支える。 近年の結果, 遷移マッチング (TM) はより少ないサンプリングステップで高い品質を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 32.910877210043914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow Matching (FM) underpins many state-of-the-art generative models, yet recent results indicate that Transition Matching (TM) can achieve higher quality with fewer sampling steps. This work answers the question of when and why TM outperforms FM. First, when the target is a unimodal Gaussian distribution, we prove that TM attains strictly lower KL divergence than FM for finite number of steps. The improvement arises from stochastic difference latent updates in TM, which preserve target covariance that deterministic FM underestimates. We then characterize convergence rates, showing that TM achieves faster convergence than FM under a fixed compute budget, establishing its advantage in the unimodal Gaussian setting. Second, we extend the analysis to Gaussian mixtures and identify local-unimodality regimes in which the sampling dynamics approximate the unimodal case, where TM can outperform FM. The approximation error decreases as the minimal distance between component means increases, highlighting that TM is favored when the modes are well separated. However, when the target variance approaches zero, each TM update converges to the FM update, and the performance advantage of TM diminishes. In summary, we show that TM outperforms FM when the target distribution has well-separated modes and non-negligible variances. We validate our theoretical results with controlled experiments on Gaussian distributions, and extend the comparison to real-world applications in image and video generation.
• Abstract（参考訳）: Flow Matching (FM) は多くの最先端のジェネレーティブモデルを支えるが、最近の結果は、トランジッションマッチング (TM) がより少ないサンプリングステップで高い品質を達成できることを示唆している。 この研究は、いつ、なぜTMがFMより優れているのかという疑問に答える。 第一に、ターゲットが一様ガウス分布であるとき、有限個のステップに対して、TMはFMよりもKLの偏差が厳密に低いことが証明される。 この改善は、決定論的FM過小評価される目標共分散を保存するTMの確率的差潜時更新から生じる。 次に収束率を特徴付け、固定された計算予算の下でTMがFMよりも高速な収束を達成することを示す。 第2に、分析をガウス混合に拡張し、サンプリングダイナミクスがFMを上回り得る単調ケースを近似する局所一様性条件を同定する。 近似誤差は、成分平均間の最小距離が増加するにつれて減少し、モードが十分に分離されたときにTMが好まれることを示す。 しかし、目標分散がゼロに近づくと、各TM更新はFM更新に収束し、TMの性能優位性が低下する。 要約すると、対象分布が十分に分離されたモードと非無視的な分散を持つ場合、TMはFMより優れていることを示す。 ガウス分布の制御実験により理論的結果を検証し,画像および映像生成における実世界の応用との比較を拡張した。

関連論文リスト

• Weighted Conditional Flow Matching [26.88652399504886]
  条件付きフローマッチング(CFM)は、連続正規化フローをトレーニングするための強力なフレームワークとして登場した。 本稿では,Gibsカーネルで各トレーニングペアを$(x, y)$に重み付けすることで,古典的CFM損失を補正する手法として,重み付き条件付きフローマッチング(W-CFM)を提案する。
  論文  参考訳（メタデータ） (2025-07-29T22:42:51Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Local Flow Matching Generative Models [19.859984725284896]
  フローマッチング(英: Flow Matching, FM)は、2つの分布を補間する連続的かつ非可逆的な流れを学習するためのシミュレーション不要な手法である。 FMサブモデルのシーケンスを連続的に学習するLFM(Local Flow Matching)と呼ばれるステップワイズFMモデルを提案する。 FMと比較して, LFMの訓練効率と競争的生成性能の改善を実証的に実証した。
  論文  参考訳（メタデータ） (2024-10-03T14:53:10Z)
• Flow matching achieves almost minimax optimal convergence [50.38891696297888]
  フローマッチング (FM) は, シミュレーションのない生成モデルとして注目されている。 本稿では,大試料径のFMの収束特性を$p$-Wasserstein 距離で論じる。 我々は、FMが1leq p leq 2$でほぼ最小の収束率を達成できることを確立し、FMが拡散モデルに匹敵する収束率に達するという最初の理論的証拠を示す。
  論文  参考訳（メタデータ） (2024-05-31T14:54:51Z)
• Mixed Variable Bayesian Optimization with Frequency Modulated Kernels [96.78099706164747]
  異なる種類の変数間の依存性を柔軟にモデリングする周波数変調(FM)カーネルを提案する。 BO-FMは正規化進化(RE)およびBOHBを含む競争相手を上回ります。
  論文  参考訳（メタデータ） (2021-02-25T11:28:46Z)

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。