論文の概要: Diversified Flow Matching with Translation Identifiability

• arxiv url: http://arxiv.org/abs/2511.05558v1
• Date: Tue, 04 Nov 2025 00:12:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.438504
• Title: Diversified Flow Matching with Translation Identifiability
• Title（参考訳）: 翻訳不確かさを考慮した多変量フローマッチング
• Authors: Sagar Shrestha, Xiao Fu,
• Abstract要約: 本研究は、DDMのためのODEベースのフレームワークである多様化フローマッチング(DFM)を導入する。 DFMは、翻訳識別性を保証する最初のODEベースのアプローチである。 合成および実世界のデータセットの実験により提案手法が検証された。
• 参考スコア（独自算出の注目度）: 17.561012410096833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diversified distribution matching (DDM) finds a unified translation function mapping a diverse collection of conditional source distributions to their target counterparts. DDM was proposed to resolve content misalignment issues in unpaired domain translation, achieving translation identifiability. However, DDM has only been implemented using GANs due to its constraints on the translation function. GANs are often unstable to train and do not provide the transport trajectory information -- yet such trajectories are useful in applications such as single-cell evolution analysis and robot route planning. This work introduces diversified flow matching (DFM), an ODE-based framework for DDM. Adapting flow matching (FM) to enforce a unified translation function as in DDM is challenging, as FM learns the translation function's velocity rather than the translation function itself. A custom bilevel optimization-based training loss, a nonlinear interpolant, and a structural reformulation are proposed to address these challenges, offering a tangible implementation. To our knowledge, DFM is the first ODE-based approach guaranteeing translation identifiability. Experiments on synthetic and real-world datasets validate the proposed method.
• Abstract（参考訳）: 分散分布マッチング (DDM) は、条件付き分布の多様な集合を対象の分布にマッピングする統合翻訳関数を求める。 DDMは、未完成のドメイン翻訳における内容の不一致を解消し、翻訳の同一性を達成するために提案された。 しかし、DDMは翻訳機能に制約があるため、GANを使用してのみ実装されている。 GANは訓練に不安定であり、輸送軌道情報を提供しないことが多いが、そのような軌道は単細胞進化分析やロボット経路計画といった応用に有用である。 本研究は、DDMのためのODEベースのフレームワークである多様化フローマッチング(DFM)を導入する。 FMは翻訳関数自体よりも翻訳関数の速度を学習するため、DDMのように統一翻訳関数を強制するためにフローマッチング(FM)を適用することは困難である。 これらの課題に対処するために、カスタムな双レベル最適化に基づくトレーニング損失、非線形補間剤、構造的再構成が提案され、具体的な実装を提供する。 我々の知る限り、DFMは翻訳識別性を保証する最初のODEベースのアプローチである。 合成および実世界のデータセットの実験により提案手法が検証された。

関連論文リスト

• LADB: Latent Aligned Diffusion Bridges for Semi-Supervised Domain Translation [54.690154688667086]
  拡散モデルは高品質な出力を生成するのに優れているが、データスカースドメインでは課題に直面している。 サンプルからサンプルへの変換のための半教師付きフレームワークであるLatent Aligned Diffusion Bridges (LADB)を提案する。
  論文  参考訳（メタデータ） (2025-09-10T14:23:07Z)
• CM-Diff: A Single Generative Network for Bidirectional Cross-Modality Translation Diffusion Model Between Infrared and Visible Images [48.57429642590462]
  本稿では、赤外モードと可視モードの両方でデータ分布を同時にモデル化するための双方向相互モーダル変換拡散モデル(CM-Diff)を提案する。 CM-Diffが最先端手法よりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2025-03-12T16:25:18Z)
• Modality Prompts for Arbitrary Modality Salient Object Detection [57.610000247519196]
  本論文は、任意のモーダリティ・サリエント物体検出(AM SOD)の課題について述べる。 任意のモダリティ、例えばRGBイメージ、RGB-Dイメージ、RGB-D-Tイメージから有能なオブジェクトを検出することを目的としている。 AM SODの2つの基本的な課題を解明するために,新しいモード適応トランス (MAT) を提案する。
  論文  参考訳（メタデータ） (2024-05-06T11:02:02Z)
• Zero-shot-Learning Cross-Modality Data Translation Through Mutual Information Guided Stochastic Diffusion [5.795193288204816]
  モダリティ間のデータ変換は、画像処理に大きな関心を集めている。 本稿では,MIDiffusion(Multual Information Diffusion Guided cross-modality data translation Model)という,教師なしゼロショット学習手法を提案する。 我々は,MIDiffusionの高度な性能を,有意な生成モデル群と比較して実証的に示す。
  論文  参考訳（メタデータ） (2023-01-31T16:24:34Z)
• Beyond Deterministic Translation for Unsupervised Domain Adaptation [19.358300726820943]
  本研究では、教師なしドメイン適応(UDA)におけるソースとターゲットドメイン間の1対1マッピング('翻訳')の共通アプローチに挑戦する。 代わりに、ソースとターゲットドメイン間の固有の曖昧さをキャプチャするために、翻訳に依存しています。 近年の強いベースラインに対する改善を報告し、2つの挑戦的なセマンティックセグメンテーションベンチマークで最先端のUDA結果を得た。
  論文  参考訳（メタデータ） (2022-02-15T23:03:33Z)
• Improving Multilingual Translation by Representation and Gradient Regularization [82.42760103045083]
  表現レベルと勾配レベルの両方でNMTモデルを正規化するための共同手法を提案する。 提案手法は,オフターゲット翻訳の発生率の低減とゼロショット翻訳性能の向上に有効であることを示す。
  論文  参考訳（メタデータ） (2021-09-10T10:52:21Z)
• Structured Domain Adaptation with Online Relation Regularization for Unsupervised Person Re-ID [62.90727103061876]
  Unsupervised Domain adapt(UDA)は、ラベル付きソースドメインデータセットでトレーニングされたモデルを、ラベルなしのターゲットドメインデータセットに適応させることを目的としている。 本稿では,オンライン関係整合性正規化項を用いたエンドツーエンドなドメイン適応フレームワークを提案する。 提案手法は,複数のUDAタスクにおける人物再IDの最先端性能を実現することを目的としている。
  論文  参考訳（メタデータ） (2020-03-14T14:45:18Z)
• A Simple Baseline to Semi-Supervised Domain Adaptation for Machine Translation [73.3550140511458]
  State-of-the-art Neural Machine Translation (NMT)システムは、データハングリーであり、教師付きデータを持たない新しいドメインではパフォーマンスが良くない。 NMTの半教師付きドメイン適応シナリオに対する単純だが効果のあるアプローチを提案する。 このアプローチは、言語モデリング、バックトランスレーション、教師付き翻訳の3つのトレーニング目標を通じて、TransformerベースのNMTモデルを反復的にトレーニングする。
  論文  参考訳（メタデータ） (2020-01-22T16:42:06Z)

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。