論文の概要: Branching Flows: Discrete, Continuous, and Manifold Flow Matching with Splits and Deletions

• arxiv url: http://arxiv.org/abs/2511.09465v1
• Date: Thu, 13 Nov 2025 01:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.583019
• Title: Branching Flows: Discrete, Continuous, and Manifold Flow Matching with Splits and Deletions
• Title（参考訳）: 分岐フロー:離散、連続、マニフォールドフローと分割と削除
• Authors: Hedwig Nora Nordlinder, Lukas Billera, Jack Collier Ryder, Anton Oresten, Aron Stålmarck, Theodor Mosetti Björk, Ben Murrell,
• Abstract要約: Branching Flowsは、単純な分散をデータ分散に転送する生成モデリングフレームワークである。 分岐フローは,任意のフローマッチングベースプロセスで離散集合上に構成可能であることを示す。 小分子生成(multimodal)、抗体配列生成(discrete)、タンパク質バックボーン生成(multimodal)の3つの領域でこれを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion and flow matching approaches to generative modeling have shown promise in domains where the state space is continuous, such as image generation or protein folding & design, and discrete, exemplified by diffusion large language models. They offer a natural fit when the number of elements in a state is fixed in advance (e.g. images), but require ad hoc solutions when, for example, the length of a response from a large language model, or the number of amino acids in a protein chain is not known a priori. Here we propose Branching Flows, a generative modeling framework that, like diffusion and flow matching approaches, transports a simple distribution to the data distribution. But in Branching Flows, the elements in the state evolve over a forest of binary trees, branching and dying stochastically with rates that are learned by the model. This allows the model to control, during generation, the number of elements in the sequence. We also show that Branching Flows can compose with any flow matching base process on discrete sets, continuous Euclidean spaces, smooth manifolds, and `multimodal' product spaces that mix these components. We demonstrate this in three domains: small molecule generation (multimodal), antibody sequence generation (discrete), and protein backbone generation (multimodal), and show that Branching Flows is a capable distribution learner with a stable learning objective, and that it enables new capabilities.
• Abstract（参考訳）: 拡散とフローマッチングによる生成モデリングのアプローチは、画像生成やタンパク質の折り畳み&設計といった状態空間が連続している領域において有望であり、拡散大言語モデルによって実証されている。 例えば、大きな言語モデルからの応答の長さや、タンパク質鎖内のアミノ酸の数が事前に分かっていない場合、それはアドホック解を必要とする。 ここでは、拡散やフローマッチングアプローチのように、単純な分布をデータ分布に転送する生成的モデリングフレームワークであるブランチフローを提案する。 しかし、分岐フローでは、状態の要素は二分木の森を越えて進化し、モデルによって学習される速度で分岐と死の確率で進化する。 これにより、モデルが生成時にシーケンス内の要素の数を制御することができる。 また、分岐フローは離散集合、連続ユークリッド空間、滑らかな多様体、これらの成分を混合する「マルチモーダル」積空間上の任意のフローマッチング基底プロセスで構成できることを示す。 本稿では, 小分子生成(マルチモーダル), 抗体配列生成(離散), タンパク質のバックボーン生成(マルチモーダル)の3つの領域でこれを実証し, 分岐フローが安定した学習目標を持つ分布学習者であり, 新たな機能を実現することを示す。

関連論文リスト

• TFG-Flow: Training-free Guidance in Multimodal Generative Flow [73.93071065307782]
  本稿では,マルチモーダルな生成フローのためのトレーニング不要指導法TFG-Flowを紹介する。 TFG-Flowは、離散変数の導出において、非バイアスサンプリングの特性を維持しながら、次元の呪いに対処する。 TFG-Flowは, 所望の特性を持つ分子を生成することにより, 薬物設計において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-01-24T03:44:16Z)
• Exploring Discrete Flow Matching for 3D De Novo Molecule Generation [0.0]
  フローマッチングは、最近提案されたジェネレーティブモデリングフレームワークで、様々なタスクにおいて印象的なパフォーマンスを実現している。 本稿では,既存の手法よりも学習可能なパラメータが少ない3D de novo設計における技術性能の状態を達成した,オープンソースのFlowMol-CTMCを提案する。
  論文  参考訳（メタデータ） (2024-11-25T18:27:39Z)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• Mixed Continuous and Categorical Flow Matching for 3D De Novo Molecule Generation [0.0]
  フローマッチングは拡散モデルを一般化する最近提案された生成モデリングフレームワークである。 本稿では,フローマッチングフレームワークを,確率単純性として知られるカテゴリデータの連続的な表現に制約のあるフローを構築することにより,カテゴリデータに拡張する。 実際には、データのカテゴリ的な性質に配慮しないシンプルなアプローチは、同等あるいは優れたパフォーマンスをもたらすことが分かっています。
  論文  参考訳（メタデータ） (2024-04-30T17:37:21Z)
• Generative Flows on Discrete State-Spaces: Enabling Multimodal Flows with Applications to Protein Co-Design [37.634098563033795]
  本稿では、フローベース生成モデルの実現に欠落したリンクを提供する離散データのフローベースモデルを提案する。 私たちの重要な洞察は、連続時間マルコフ連鎖を用いて連続空間フローマッチングの離散的等価性を実現できるということです。 この能力をタンパク質共設計のタスクに適用し、タンパク質の構造と配列を共同生成するモデルを学ぶ。
  論文  参考訳（メタデータ） (2024-02-07T16:15:36Z)
• Hierarchically branched diffusion models leverage dataset structure for class-conditional generation [0.6800113478497425]
  分岐拡散モデルは従来のモデルと同じ拡散過程に依存するが、階層の各分岐について別々に逆拡散を学ぶ。 いくつかのベンチマークと大規模実世界の科学データセットで分岐拡散モデルを広範囲に評価した。
  論文  参考訳（メタデータ） (2022-12-21T05:27:23Z)

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。