論文の概要: On The Hidden Biases of Flow Matching Samplers

• arxiv url: http://arxiv.org/abs/2512.16768v1
• Date: Thu, 18 Dec 2025 17:02:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.171034
• Title: On The Hidden Biases of Flow Matching Samplers
• Title（参考訳）: フローマッチングサンプリングの隠れバイアスについて
• Authors: Soon Hoe Lim,
• Abstract要約: 本研究では,経験的フローマッチングのレンズを用いて,フローマッチング(FM)サンプリング器の暗黙バイアスについて検討した。 経験的FMrは, それぞれの条件流中であっても, ほぼ決して勾配場ではないことが示され, その結果, 経験的FMは本質的に準最適であることがわかった。
• 参考スコア（独自算出の注目度）: 4.822598110892847
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the implicit bias of flow matching (FM) samplers via the lens of empirical flow matching. Although population FM may produce gradient-field velocities resembling optimal transport (OT), we show that the empirical FM minimizer is almost never a gradient field, even when each conditional flow is. Consequently, empirical FM is intrinsically energetically suboptimal. In view of this, we analyze the kinetic energy of generated samples. With Gaussian sources, both instantaneous and integrated kinetic energies exhibit exponential concentration, while heavy-tailed sources lead to polynomial tails. These behaviors are governed primarily by the choice of source distribution rather than the data. Overall, these notes provide a concise mathematical account of the structural and energetic biases arising in empirical FM.
• Abstract（参考訳）: 本研究では,経験的フローマッチングのレンズを用いて,フローマッチング(FM)サンプリング器の暗黙バイアスについて検討した。 人口FMは最適輸送(OT)に類似した勾配場速度を生じる可能性があるが,各条件流中においても,経験的FM最小化器はほとんど勾配場ではないことを示す。 その結果、経験的FMは本質的に準最適である。 そこで我々は, 生成した試料の運動エネルギーを解析した。 ガウスの情報源では、瞬時および統合的な運動エネルギーは指数関数的な集中を示し、重い尾を持つエネルギーは多項式の尾に繋がる。 これらの振舞いは、主にデータではなく、ソース分布の選択によって制御される。 全体として、これらのノートは経験的FMで生じる構造的およびエネルギー的バイアスの簡潔な数学的説明を提供する。

関連論文リスト

• Unlocking the Duality between Flow and Field Matching [86.34409966628323]
  条件付きフローマッチング(CFM)は拡散モデルやフローマッチングのような従来の生成パラダイムを統一する。 相互作用場マッチング(IFM)は、ポアソンフロー生成モデル(PFGM)に根ざした静電場マッチング(EFM)を一般化する新しいフレームワークである。 IFMの自然なサブクラスと一致し,このサブクラスをフォワードオンリーIMMと呼ぶ。
  論文  参考訳（メタデータ） (2026-02-02T16:04:01Z)
• An Analytical Theory of Spectral Bias in the Learning Dynamics of Diffusion Models [29.972063833424215]
  本研究では,拡散モデル学習中に生成した分布がどのように進化するかを理解するための解析的枠組みを開発する。 結果の確率フローODEを統合し、生成した分布の解析式を生成する。
  論文  参考訳（メタデータ） (2025-03-05T05:50:38Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Hessian-Informed Flow Matching [4.542719108171107]
  Hessian-Informed Flow Matchingは、エネルギー関数のHessianを条件流に統合する新しいアプローチである。 この積分により、HI-FMは局所曲率と異方性共分散構造を考慮できる。 MNIST と Lennard-Jones 粒子のデータセットに関する実証的な評価は、HI-FM が試験サンプルの可能性を改善していることを示している。
  論文  参考訳（メタデータ） (2024-10-15T09:34:52Z)
• Local Flow Matching Generative Models [19.859984725284896]
  フローマッチング(英: Flow Matching, FM)は、2つの分布を補間する連続的かつ非可逆的な流れを学習するためのシミュレーション不要な手法である。 FMサブモデルのシーケンスを連続的に学習するLFM(Local Flow Matching)と呼ばれるステップワイズFMモデルを提案する。 FMと比較して, LFMの訓練効率と競争的生成性能の改善を実証的に実証した。
  論文  参考訳（メタデータ） (2024-10-03T14:53:10Z)
• Flow matching achieves almost minimax optimal convergence [50.38891696297888]
  フローマッチング (FM) は, シミュレーションのない生成モデルとして注目されている。 本稿では,大試料径のFMの収束特性を$p$-Wasserstein 距離で論じる。 我々は、FMが1leq p leq 2$でほぼ最小の収束率を達成できることを確立し、FMが拡散モデルに匹敵する収束率に達するという最初の理論的証拠を示す。
  論文  参考訳（メタデータ） (2024-05-31T14:54:51Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• Explicit Flow Matching: On The Theory of Flow Matching Algorithms with Applications [3.5409403011214295]
  本稿では,フローベース生成モデルのトレーニングと解析を行うための新しい手法であるExplicit Flow Matching (ExFM)を提案する。 ExFMは、理論的に基礎付けられた損失関数、ExFM損失を利用して、トレーニング中のばらつきを実証的に低減し、より早く収束し、より安定した学習をもたらす。
  論文  参考訳（メタデータ） (2024-02-05T17:45:12Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)

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。