論文の概要: Physics-Informed Design of Input Convex Neural Networks for Consistency Optimal Transport Flow Matching

• arxiv url: http://arxiv.org/abs/2511.06042v1
• Date: Sat, 08 Nov 2025 15:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.722498
• Title: Physics-Informed Design of Input Convex Neural Networks for Consistency Optimal Transport Flow Matching
• Title（参考訳）: 等価輸送流マッチングのための入力凸ニューラルネットワークの物理インフォームド設計
• Authors: Fanghui Song, Zhongjian Wang, Jiebao Sun,
• Abstract要約: 物理インフォームド・ニューラル入力整合性ネットワーク(PICNN)は、変位をエミュレートする流れ場の構築において中心的な役割を果たす。 予測段階では,一段階(Mrenier-map)と多段階ODEサンプリングの両方をサポートし,OTフローの直線性を活用する。
• 参考スコア（独自算出の注目度）: 1.3709465727733763
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a consistency model based on the optimal-transport flow. A physics-informed design of partially input-convex neural networks (PICNN) plays a central role in constructing the flow field that emulates the displacement interpolation. During the training stage, we couple the Hamilton-Jacobi (HJ) residual in the OT formulation with the original flow matching loss function. Our approach avoids inner optimization subproblems that are present in previous one-step OFM approaches. During the prediction stage, our approach supports both one-step (Brenier-map) and multi-step ODE sampling from the same learned potential, leveraging the straightness of the OT flow. We validate scalability and performance on standard OT benchmarks.
• Abstract（参考訳）: 最適輸送フローに基づく一貫性モデルを提案する。 部分入力凸ニューラルネットワーク(PICNN)の物理インフォームド設計は、変位補間をエミュレートする流れ場の構築において中心的な役割を果たす。 トレーニング段階では, OT定式化におけるハミルトン・ヤコビ (HJ) 残基と, 元のフローマッチング損失関数を結合する。 提案手法は, 従来の一段階 OFM 手法における内部最適化サブプロブレムを回避する。 予測段階では,一段階(Brenier-map)と多段階ODEサンプリングの両方をサポートし,OTフローの直線性を活用する。 標準的なOTベンチマークでスケーラビリティとパフォーマンスを検証する。

関連論文リスト

• Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
  我々は,新しいtextbf Optimal Flow Matching (OFM) アプローチを開発し,理論的に正当化する。 これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。 提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
  論文  参考訳（メタデータ） (2024-03-19T19:44:54Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• Normalizing flow neural networks by JKO scheme [22.320632565424745]
  我々はJKO-iFlowと呼ばれるニューラルネットワークを開発し、Jordan-Kinderleherer-Ottoスキームに触発された。 提案手法は,残余ブロックを次々と積み重ねることにより,残余ブロックの効率的なブロックワイズ訓練を可能にする。 合成および実データを用いた実験により,提案したJKO-iFlowネットワークが競合性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-12-29T18:55:00Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)
• OT-Flow: Fast and Accurate Continuous Normalizing Flows via Optimal Transport [8.468007443062751]
  正規化フローは任意の確率分布と標準正規分布の間の可逆写像である。 OT-Flowは、より広範なCNFの使用を制限する2つの重要な計算課題に取り組む。 5つの高次元密度推定および生成モデリングタスクにおいて、OT-Flowは最先端CNFと競合して動作する。
  論文  参考訳（メタデータ） (2020-05-29T22:31:10Z)

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。