論文の概要: Likely Interpolants of Generative Models

• arxiv url: http://arxiv.org/abs/2510.26266v1
• Date: Thu, 30 Oct 2025 08:46:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.715424
• Title: Likely Interpolants of Generative Models
• Title（参考訳）: 生成モデルの如何なる補間
• Authors: Frederik Möbius Rygaard, Shen Zhu, Yinzhu Jin, Søren Hauberg, Tom Fletcher,
• Abstract要約: 生成モデルの補間は、制御された生成、モデル検査などを可能にする。 ほとんどの生成モデルは、モデルまたはデータ次元に制限的な仮定なしで補間子の主観的概念を欠いている。 我々は、異なるメトリクスや確率分布と互換性のある遷移経路をターゲットとする一般的なスキームを開発する。
• 参考スコア（独自算出の注目度）: 12.543430183696648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interpolation in generative models allows for controlled generation, model inspection, and more. Unfortunately, most generative models lack a principal notion of interpolants without restrictive assumptions on either the model or data dimension. In this paper, we develop a general interpolation scheme that targets likely transition paths compatible with different metrics and probability distributions. We consider interpolants analogous to a geodesic constrained to a suitable data distribution and derive a novel algorithm for computing these curves, which requires no additional training. Theoretically, we show that our method locally can be considered as a geodesic under a suitable Riemannian metric. We quantitatively show that our interpolation scheme traverses higher density regions than baselines across a range of models and datasets.
• Abstract（参考訳）: 生成モデルの補間は、制御された生成、モデル検査などを可能にする。 残念なことに、ほとんどの生成モデルは、モデルまたはデータ次元に制限的な仮定を持たずに補間子の基本的な概念を欠いている。 本稿では,異なるメトリクスや確率分布と互換性のある遷移経路を対象とする一般的な補間手法を提案する。 補間剤は適切なデータ分布に制約された測地学に類似しており、これらの曲線を計算するための新しいアルゴリズムを導出するが、追加の訓練は不要である。 理論的には、この手法を適切なリーマン計量の下で、局所的に測地学とみなすことができる。 補間スキームは, モデルやデータセットの範囲で, ベースラインよりも高密度領域を横断することを示す。

関連論文リスト

• Enforcing Latent Euclidean Geometry in Single-Cell VAEs for Manifold Interpolation [79.27003481818413]
  離散的様相変分オートエンコーダの潜在多様体をユークリッド幾何学へ正規化する訓練フレームワークであるFlatVIを紹介する。 遅延空間の直線を復号化された単セル多様体上の測地線に近似させることで、FlatVIは下流アプローチとの整合性を高める。
  論文  参考訳（メタデータ） (2025-07-15T23:08:14Z)
• (Deep) Generative Geodesics [57.635187092922976]
  2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。 我々の計量は、生成距離と生成測地学の概念的定義に繋がる。 彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
  論文  参考訳（メタデータ） (2024-07-15T21:14:02Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• Metric Flow Matching for Smooth Interpolations on the Data Manifold [40.24392451848883]
  Metric Flow Matching (MFM) は条件付きフローマッチングのための新しいシミュレーションフリーフレームワークである。 我々は,MFMを条件付き経路のフレームワークとして提案し,ソース分布をターゲット分布に変換する。 我々は、LiDARナビゲーション、未ペア画像翻訳、セルラーダイナミクスのモデリングなど、一連の課題でFMをテストする。
  論文  参考訳（メタデータ） (2024-05-23T16:48:06Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• A likelihood approach to nonparametric estimation of a singular distribution using deep generative models [4.329951775163721]
  深部生成モデルを用いた特異分布の非パラメトリック推定の可能性について検討する。 我々は、インスタンスノイズでデータを摂動することで、新しい効果的な解が存在することを証明した。 また、より深い生成モデルにより効率的に推定できる分布のクラスを特徴付ける。
  論文  参考訳（メタデータ） (2021-05-09T23:13:58Z)
• On Linear Interpolation in the Latent Space of Deep Generative Models [0.0]
  潜在空間における線形の滑らかさと可視性は、基礎となる生成モデルの品質と関連している。 測地線が与える最短曲線から任意に逸脱できるので、そのような曲線がすべて同値であるとは限らない。 この偏差は、生成モデルのプルバックメトリックによる曲線長の計算によって明らかにされる。
  論文  参考訳（メタデータ） (2021-05-08T10:27:07Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)
• Uniform Interpolation Constrained Geodesic Learning on Data Manifold [28.509561636926414]
  学習された測地線とともに、2つのデータサンプル間で高品質なデータを生成することができる。 提案手法の有効性を実証するために, モデルの理論解析を行い, 画像翻訳を例に挙げる。
  論文  参考訳（メタデータ） (2020-02-12T07:47:41Z)

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。