論文の概要: Corrected Samplers for Discrete Flow Models

• arxiv url: http://arxiv.org/abs/2601.22519v1
• Date: Fri, 30 Jan 2026 03:53:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.202981
• Title: Corrected Samplers for Discrete Flow Models
• Title（参考訳）: 離散流モデルのための補正サンプリング器
• Authors: Zhengyan Wan, Yidong Ouyang, Liyan Xie, Fang Fang, Hongyuan Zha, Guang Cheng,
• Abstract要約: 近年の研究では、タウ・リーピングやオイラー・ソルバのような離散拡散モデルのサンプルについて研究されている。 遷移率やソース分布に制限を加えることなく,非漸近的離散化誤差境界を確立する。 位置補正されたサンプリング器は,既存の並列サンプリング器よりも複雑さが低いことを厳密に示す。
• 参考スコア（独自算出の注目度）: 36.348940136801296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discrete flow models (DFMs) have been proposed to learn the data distribution on a finite state space, offering a flexible framework as an alternative to discrete diffusion models. A line of recent work has studied samplers for discrete diffusion models, such as tau-leaping and Euler solver. However, these samplers require a large number of iterations to control discretization error, since the transition rates are frozen in time and evaluated at the initial state within each time interval. Moreover, theoretical results for these samplers often require boundedness conditions of the transition rate or they focus on a specific type of source distributions. To address those limitations, we establish non-asymptotic discretization error bounds for those samplers without any restriction on transition rates and source distributions, under the framework of discrete flow models. Furthermore, by analyzing a one-step lower bound of the Euler sampler, we propose two corrected samplers: \textit{time-corrected sampler} and \textit{location-corrected sampler}, which can reduce the discretization error of tau-leaping and Euler solver with almost no additional computational cost. We rigorously show that the location-corrected sampler has a lower iteration complexity than existing parallel samplers. We validate the effectiveness of the proposed method by demonstrating improved generation quality and reduced inference time on both simulation and text-to-image generation tasks. Code can be found in https://github.com/WanZhengyan/Corrected-Samplers-for-Discrete-Flow-Models.
• Abstract（参考訳）: 離散フローモデル(DFM)は有限状態空間上でのデータ分布を学習するために提案され、離散拡散モデルの代替として柔軟なフレームワークを提供する。 近年の研究では、タウ・リーピングやオイラー・ソルバのような離散拡散モデルのサンプルについて研究されている。 しかしながら、これらのサンプルは、遷移速度が時間内に凍結され、各時間間隔で初期状態で評価されるため、離散化誤差を制御するために多くのイテレーションを必要とする。 さらに、これらのサンプルの理論的結果は、しばしば遷移率の有界性条件を必要とするか、あるいは特定の種類のソース分布に焦点を当てる。 これらの制約に対処するため、離散フローモデルの枠組みの下で、遷移率やソース分布に制限を加えることなく、サンプルの非漸近離散化誤差境界を確立する。 さらに、Euler samplerの1段階下限を解析することにより、2つの補正されたサンプルラ: \textit{time-corrected sampler} と \textit{location-corrected sampler} を提案する。 位置補正されたサンプリング器は,既存の並列サンプリング器に比べて,イテレーションの複雑さが低いことを厳格に示す。 提案手法の有効性は,シミュレーションとテキスト・ツー・イメージ生成の両タスクにおいて,改良された生成品質と推論時間の短縮を証明して検証する。 コードはhttps://github.com/WanZhengyan/Corrected-Samplers-for-Discrete-Flow-Modelsで見ることができる。

関連論文リスト

• Discrete Feynman-Kac Correctors [47.62319930071118]
  本研究では,離散マスク拡散モデルの生成分布を推定時に制御できるフレームワークを提案する。 連続モンテカルロ (SMC) アルゴリズムを導出し, 訓練された離散拡散モデルを用いて, サンプル分布の温度を制御した。 本稿では,Isingモデルのボルツマン分布からの効率的なサンプリング,コード生成および記憶学習のための言語モデルの性能向上,および報酬型タンパク質配列生成など,フレームワークの有用性について述べる。
  論文  参考訳（メタデータ） (2026-01-15T13:55:38Z)
• Single-Step Consistent Diffusion Samplers [8.758218443992467]
  既存のサンプリングアルゴリズムは通常、高品質なサンプルを作成するために多くの反復的なステップを必要とする。 単一ステップで高忠実度サンプルを生成するために設計された新しいサンプルクラスである,一貫した拡散サンプリングを導入している。 提案手法は,従来の拡散サンプリング装置で要求されるネットワーク評価の1%以下を用いて,高忠実度サンプルが得られることを示す。
  論文  参考訳（メタデータ） (2025-02-11T14:25:52Z)
• Distributional Diffusion Models with Scoring Rules [83.38210785728994]
  拡散モデルは高品質な合成データを生成する。 高品質な出力を生成するには、多くの離散化ステップが必要です。 クリーンデータサンプルの後部エム分布を学習し,サンプル生成を実現することを提案する。
  論文  参考訳（メタデータ） (2025-02-04T16:59:03Z)
• Self-Refining Diffusion Samplers: Enabling Parallelization via Parareal Iterations [53.180374639531145]
  自己精製拡散サンプリング(SRDS)は、サンプル品質を維持し、追加の並列計算コストでレイテンシを向上させることができる。 微分方程式の並列時間積分法であるPararealアルゴリズムから着想を得た。
  論文  参考訳（メタデータ） (2024-12-11T11:08:09Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Informed Correctors for Discrete Diffusion Models [27.295990499157814]
  離散拡散モデルに対する予測・相関型サンプリング手法を提案する。 情報補正器は,誤差が少なく,FIDスコアが向上した優れたサンプルを連続的に生成することを示す。 本結果は,離散拡散を用いた高速かつ高忠実な生成のための情報補正器の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-07-30T23:29:29Z)

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。