論文の概要: EnfoPath: Energy-Informed Analysis of Generative Trajectories in Flow Matching

• arxiv url: http://arxiv.org/abs/2511.19087v1
• Date: Mon, 24 Nov 2025 13:27:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.212306
• Title: EnfoPath: Energy-Informed Analysis of Generative Trajectories in Flow Matching
• Title（参考訳）: EnfoPath:フローマッチングにおける生成軌道のエネルギーインフォームド解析
• Authors: Ziyun Li, Ben Dai, Huancheng Hu, Henrik Boström, Soon Hoe Lim,
• Abstract要約: フローベース生成モデルは、基準分布から目標データ分布への学習速度場を統合することにより、データを合成する。 古典力学に触発された運動経路エネルギー (KPE) は, サンプリング器の各生成経路に沿った総運動量を定量化する, 単純かつ強力な診断法である。
• 参考スコア（独自算出の注目度）: 10.646391583250729
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Flow-based generative models synthesize data by integrating a learned velocity field from a reference distribution to the target data distribution. Prior work has focused on endpoint metrics (e.g., fidelity, likelihood, perceptual quality) while overlooking a deeper question: what do the sampling trajectories reveal? Motivated by classical mechanics, we introduce kinetic path energy (KPE), a simple yet powerful diagnostic that quantifies the total kinetic effort along each generation path of ODE-based samplers. Through comprehensive experiments on CIFAR-10 and ImageNet-256, we uncover two key phenomena: ({i}) higher KPE predicts stronger semantic quality, indicating that semantically richer samples require greater kinetic effort, and ({ii}) higher KPE inversely correlates with data density, with informative samples residing in sparse, low-density regions. Together, these findings reveal that semantically informative samples naturally reside on the sparse frontier of the data distribution, demanding greater generative effort. Our results suggest that trajectory-level analysis offers a physics-inspired and interpretable framework for understanding generation difficulty and sample characteristics.
• Abstract（参考訳）: フローベース生成モデルは、基準分布から目標データ分布への学習速度場を統合することにより、データを合成する。 以前の作業では、エンドポイントメトリクス(例えば、忠実度、可能性、知覚品質)に重点を置いていた。 古典力学に触発された運動経路エネルギー (KPE) は, ODE-based sampler の各生成経路に沿った総運動量を定量化する, 単純かつ強力な診断法である。 CIFAR-10 と ImageNet-256 に関する総合的な実験により、({i}) 高い KPE はより強い意味的品質を予測し、({ii}) 高い KPE はより高い運動力を必要とすることを示す。 これらの結果から, 意味的情報的サンプルがデータ分布の疎いフロンティアに自然に存在することが明らかとなり, より生産的努力が求められた。 この結果から, 軌道レベルの解析は, 生成難易度と試料特性を理解するための物理に着想を得た, 解釈可能なフレームワークを提供することがわかった。

関連論文リスト

• Latent Representation Learning in Heavy-Ion Collisions with MaskPoint Transformer [2.6610943214001765]
  本稿では,トランスフォーマーベースのオートエンコーダについて,自己教師付き事前学習と教師付き微調整という2段階のパラダイムで学習した。 エンコーダはラベルのないHICデータから直接潜在表現を学習し、コンパクトで情報豊富な特徴空間を提供する。 その結果,HICにおける特徴学習の汎用的かつ堅牢な基盤として2段階の枠組みを確立し,クォークグルーオンプラズマ特性のより強力な解析への扉を開くことができた。
  論文  参考訳（メタデータ） (2025-10-08T06:27:10Z)
• Mixture-of-Experts Graph Transformers for Interpretable Particle Collision Detection [36.56642608984189]
  本稿では,グラフトランスフォーマーモデルとMixture-of-Expertレイヤを組み合わせることで,高い予測性能を実現する手法を提案する。 我々は、ATLAS実験からシミュレーションイベントのモデルを評価し、希少な超対称性信号イベントの識別に焦点をあてた。 このアプローチは、高エネルギー物理学に適用された機械学習手法における説明可能性の重要性を浮き彫りにする。
  論文  参考訳（メタデータ） (2025-01-06T23:28:19Z)
• Flow Annealed Importance Sampling Bootstrap meets Differentiable Particle Physics [3.430001962400887]
  Flow Annealed importance sample Bootstrap (FAB) に基づくアプローチを採用し、トレーニング中に異なるターゲット密度を評価する。 その結果,FABのサンプリング効率は,他の手法と比較して高次元でのターゲット評価が少なくなった。
  論文  参考訳（メタデータ） (2024-11-25T09:48:11Z)
• Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
  反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。 提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
  論文  参考訳（メタデータ） (2024-02-09T01:11:23Z)
• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)

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。