論文の概要: Coupled Flow Matching

• arxiv url: http://arxiv.org/abs/2510.23015v1
• Date: Mon, 27 Oct 2025 05:22:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 19:54:32.589081
• Title: Coupled Flow Matching
• Title（参考訳）: Coupled Flow Matching
• Authors: Wenxi Cai, Yuheng Wang, Naichen Shi,
• Abstract要約: 制御可能な次元の縮小と高忠実度再構成を統合するフレームワークである結合フローマッチング(CPFM)を導入する。 CPFM は高次元データ x と低次元埋め込み y の両方に対して結合した連続流れを学習し、これは潜在空間フローを介して p(y|x) をサンプリングし、データ空間フローを介して p(x|y) をサンプリングすることができる。
• 参考スコア（独自算出の注目度）: 4.656211570437279
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Coupled Flow Matching (CPFM), a framework that integrates controllable dimensionality reduction and high-fidelity reconstruction. CPFM learns coupled continuous flows for both the high-dimensional data x and the low-dimensional embedding y, which enables sampling p(y|x) via a latent-space flow and p(x|y) via a data-space flow. Unlike classical dimension-reduction methods, where information discarded during compression is often difficult to recover, CPFM preserves the knowledge of residual information within the weights of a flow network. This design provides bespoke controllability: users may decide which semantic factors to retain explicitly in the latent space, while the complementary information remains recoverable through the flow network. Coupled flow matching builds on two components: (i) an extended Gromov-Wasserstein optimal transport objective that establishes a probabilistic correspondence between data and embeddings, and (ii) a dual-conditional flow-matching network that extrapolates the correspondence to the underlying space. Experiments on multiple benchmarks show that CPFM yields semantically rich embeddings and reconstructs data with higher fidelity than existing baselines.
• Abstract（参考訳）: 制御可能な次元の縮小と高忠実度再構成を統合するフレームワークである結合フローマッチング(CPFM)を導入する。 CPFM は高次元データ x と低次元埋め込み y の両方に対して結合した連続流れを学習し、遅延空間フローを介して p(y|x) をサンプリングし、データ空間フローを介して p(x|y) をサンプリングすることができる。 圧縮時に廃棄された情報が回復しにくい古典的な次元還元法とは異なり、CPFMはフローネットワーク内の残余情報に関する知識を保存している。 この設計は、ユーザがどの意味的要素を潜在空間に明示的に保持するかを決定できるが、相補的な情報はフローネットワークを通して回復可能である。 結合フローマッチングは2つのコンポーネントの上に構築される。 i) データと埋め込みの確率的対応を確立する拡張Gromov-Wasserstein最適輸送目標 (II) 基礎空間との対応を外挿する二重条件流マッチングネットワーク。 複数のベンチマークの実験では、CPFMは意味的にリッチな埋め込みをもたらし、既存のベースラインよりも忠実にデータを再構築する。

関連論文リスト

• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Networks with Finite VC Dimension: Pro and Contra [1.0128808054306184]
  有限VC次元は経験的誤差の一様収束には望ましいが、確率分布から引き出された関数の近似は、それらが与えられた種類のアプリケーションで起こる可能性のモデル化には向いていないことが示されている。 データからの学習における近似の精度と一貫性のトレードオフ、ReLUユニットによるネットワークの深さが精度と一貫性に与える影響について論じる。
  論文  参考訳（メタデータ） (2025-02-04T19:44:14Z)
• Divide-and-Conquer: Confluent Triple-Flow Network for RGB-T Salient Object Detection [70.84835546732738]
  RGB-Thermal Salient Object Detectionは、目視と熱赤外画像のペア内の目立つ物体をピンポイントすることを目的としている。 従来のエンコーダ・デコーダアーキテクチャは、欠陥モードから生じるノイズに対する頑健さを十分に考慮していなかったかもしれない。 本稿では,Divide-and-Conquer戦略を用いた,堅牢なConfluent Triple-Flow NetworkであるConTriNetを提案する。
  論文  参考訳（メタデータ） (2024-12-02T14:44:39Z)
• UDRN: Unified Dimensional Reduction Neural Network for Feature Selection and Feature Projection [37.03465340777392]
  次元還元(DR)は、高次元データを最小定義された最適化目標を持つ低次元潜在空間にマッピングする。 FSは次元の重要なサブセットの選択に重点を置いているが、データ分散(構造)を破壊するリスクがある FPは全ての入力特徴を低次元空間に結合し、データ構造を維持することを目的としている。 我々は、FSとFPをエンドツーエンドで統合する統一的なフレームワークUDRN(Unified dimensional Reduction Neural-network)を開発した。
  論文  参考訳（メタデータ） (2022-07-08T10:30:20Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• Deep Learning Interfacial Momentum Closures in Coarse-Mesh CFD Two-Phase Flow Simulation Using Validation Data [5.099083753474628]
  FSM(Feature-Similarity Measurement)を開発し, 粗面CFD法により二相流のシミュレーション性能を向上させる。 FSMは界面閉鎖の選択に関係なく粗いメッシュCFDモデルの予測を大幅に改善することができる。
  論文  参考訳（メタデータ） (2020-05-07T21:25:22Z)
• FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for Optical Flow Estimation [72.41370576242116]
  フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。 ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。 実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-01-17T07:13:51Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。