論文の概要: MixFlow: Mixture-Conditioned Flow Matching for Out-of-Distribution Generalization

• arxiv url: http://arxiv.org/abs/2601.11827v1
• Date: Fri, 16 Jan 2026 23:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.336857
• Title: MixFlow: Mixture-Conditioned Flow Matching for Out-of-Distribution Generalization
• Title（参考訳）: MixFlow: アウト・オブ・ディストリビューションの一般化のための混合コンディションフローマッチング
• Authors: Andrea Rubbi, Amir Akbarnejad, Mohammad Vali Sanian, Aryan Yazdan Parast, Hesam Asadollahzadeh, Arian Amani, Naveed Akhtar, Sarah Cooper, Andrew Bassett, Pietro Liò, Lassi Paavolainen, Sattar Vakili, Mo Lotfollahi,
• Abstract要約: 記述子制御生成のための条件付きフローマッチングフレームワークであるMixFlowを紹介する。 MixFlowはスムーズな外挿を可能にし、配布外一般化を大幅に改善する。 本研究は, 単細胞転写データの乱れに対する応答の予測や, 高濃度顕微鏡による薬物スクリーニングタスクなど, 複数領域にわたる効果を実証的に実証する。
• 参考スコア（独自算出の注目度）: 31.579433319908485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving robust generalization under distribution shift remains a central challenge in conditional generative modeling, as existing conditional flow-based methods often struggle to extrapolate beyond the training conditions. We introduce MixFlow, a conditional flow-matching framework for descriptor-controlled generation that directly targets this limitation by jointly learning a descriptor-conditioned base distribution and a descriptor-conditioned flow field via shortest-path flow matching. By modeling the base distribution as a learnable, descriptor-dependent mixture, MixFlow enables smooth interpolation and extrapolation to unseen conditions, leading to substantially improved out-of-distribution generalization. We provide analytical insights into the behavior of the proposed framework and empirically demonstrate its effectiveness across multiple domains, including prediction of responses to unseen perturbations in single-cell transcriptomic data and high-content microscopy-based drug screening tasks. Across these diverse settings, MixFlow consistently outperforms standard conditional flow-matching baselines. Overall, MixFlow offers a simple yet powerful approach for achieving robust, generalizable, and controllable generative modeling across heterogeneous domains.
• Abstract（参考訳）: 分散シフト下での堅牢な一般化を実現することは、既存の条件付きフローベース手法が訓練条件を超える外挿に苦しむため、条件付き生成モデリングにおける中心的な課題である。 記述子-条件付きベース分布と記述子-条件付きフローフィールドを最短経路フローマッチングで共同学習することにより,この制限を直接対象とする記述子制御生成のための条件付きフローマッチングフレームワークであるMixFlowを紹介する。 ベースディストリビューションを学習可能なディスクリプタ依存の混合としてモデル化することにより、MixFlowはスムーズな補間と外挿を可能にし、配布外一般化を大幅に改善する。 本稿では,提案フレームワークの動作に関する分析的な知見を提供し,その効果を複数の領域で実証する。例えば,単一細胞転写データにおける未知の摂動に対する応答の予測や,高濃度の顕微鏡による薬物スクリーニングタスクなどである。 これらの多様な設定の中で、MixFlowは標準の条件付きフローマッチングベースラインを一貫して上回っている。 全体として、MixFlowは、ヘテロジニアスドメイン全体にわたる堅牢で一般化可能な、制御可能な生成モデリングを実現するための、シンプルで強力なアプローチを提供する。

関連論文リスト

• Contrastive Flow Matching [61.60002028726023]
  コントラストフローマッチング(Contrastive Flow Matching)は、全ての条件フローに対して一意性を明示するフローマッチング対象の拡張である。 提案手法は,任意のサンプル対からの予測フロー間の相違を最大化するための対照的な目的を与える。 比較フローマッチングによるトレーニングモデル(1)は最大9倍のトレーニング速度,(2)は最大5倍のノイズ除去ステップ,(3)FIDを最大8.9以下に向上させる。
  論文  参考訳（メタデータ） (2025-06-05T17:59:58Z)
• Flow Matching Posterior Sampling: A Training-free Conditional Generation for Flow Matching [13.634043135217254]
  本稿では,Flow Matching を用いた Posterior Smpling (FMPS) を提案し,その適用範囲を拡大する。 この補正項は、サロゲートスコア関数を組み込むように再構成することができる。 FMPSは既存の最先端手法に比べて優れた世代品質が得られることを示す。
  論文  参考訳（メタデータ） (2024-11-12T08:14:39Z)
• 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)
• Piecewise Normalizing Flows [0.0]
  ターゲットのトポロジとベースとのミスマッチは、粗悪なパフォーマンスをもたらす。 多くの異なる研究が、目標に合うように、ベース分布のトポロジーを変更しようと試みている。 対象の分布をクラスタに分割する分別正規化フローを導入し,標準正規化ベース分布によく適合するトポロジを提案する。
  論文  参考訳（メタデータ） (2023-05-04T15:30:10Z)
• MixFlows: principled variational inference via mixed flows [15.723555563232498]
  MixFlowsは、初期参照分布に対するマップの繰り返し適用の混合からなる、新しいバリエーションファミリである。 また,MixFlowsは,フローマップがエルゴード的かつ測度保存的である場合にMCMCライクな収束を保証することを示す。 また,不正確な離散化ハミルトン力学と決定論的運動量リフレッシュを併用したMixFlowの実装も開発した。
  論文  参考訳（メタデータ） (2022-05-16T06:57:57Z)
• GFlowNet Foundations [66.69854262276391]
  Generative Flow Networks (GFlowNets) は、多様な候補をアクティブな学習コンテキストでサンプリングする方法として導入された。 GFlowNetのさらなる理論的性質について述べる。
  論文  参考訳（メタデータ） (2021-11-17T17:59:54Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。