論文の概要: How well do generative models solve inverse problems? A benchmark study

• arxiv url: http://arxiv.org/abs/2601.23238v1
• Date: Fri, 30 Jan 2026 18:06:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.603526
• Title: How well do generative models solve inverse problems? A benchmark study
• Title（参考訳）: 生成モデルが逆問題をどのように解決するか : ベンチマーク研究
• Authors: Patrick Krüger, Patrick Materne, Werner Krebs, Hanno Gottschalk,
• Abstract要約: 生成学習は低次元条件に基づいて高次元データを生成する。 本研究では,従来のベイズ逆法と,条件付き生成学習モデル,非可逆ニューラルネットワーク,条件付きフローマッチングの3つの状態を比較した。 Conditional Flow Matchingは、競合するすべてのアプローチを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 2.374976152884002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative learning generates high dimensional data based on low dimensional conditions, also called prompts. Therefore, generative learning algorithms are eligible for solving (Bayesian) inverse problems. In this article we compare a traditional Bayesian inverse approach based on a forward regression model and a prior sampled with the Markov Chain Monte Carlo method with three state of the art generative learning models, namely conditional Generative Adversarial Networks, Invertible Neural Networks and Conditional Flow Matching. We apply them to a problem of gas turbine combustor design where we map six independent design parameters to three performance labels. We propose several metrics for the evaluation of this inverse design approaches and measure the accuracy of the labels of the generated designs along with the diversity. We also study the performance as a function of the training dataset size. Our benchmark has a clear winner, as Conditional Flow Matching consistently outperforms all competing approaches.
• Abstract（参考訳）: 生成学習は低次元条件に基づいて高次元データを生成する。 したがって、生成学習アルゴリズムは逆問題(ベイジアン)を解くことができる。 本稿では,前向き回帰モデルに基づく従来のベイズ逆法とマルコフ・チェイン・モンテカルロ法を,条件付き生成逆数ネットワーク,可逆ニューラルネットワーク,条件付きフローマッチングという,最先端の3つの生成学習モデルと比較する。 6つの独立設計パラメータを3つの性能ラベルにマップするガスタービン燃焼器設計問題に適用する。 本稿では,この逆設計手法の評価のためのいくつかの指標を提案し,その多様性とともに生成した設計のラベルの精度を計測する。 また、トレーニングデータセットサイズの関数としての性能についても検討する。 Conditional Flow Matchingは、競合するすべてのアプローチを一貫して上回ります。

関連論文リスト

• Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
  シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。 我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
  論文  参考訳（メタデータ） (2025-08-25T02:55:42Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
  拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。 本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。 提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
  論文  参考訳（メタデータ） (2024-09-13T02:23:55Z)
• Solving Inverse Problems with Model Mismatch using Untrained Neural Networks within Model-based Architectures [14.551812310439004]
  モデルベースアーキテクチャでは,各インスタンスの計測領域におけるデータの一貫性を一致させるために,トレーニングされていないフォワードモデル残差ブロックを導入する。 提案手法は,パラメータ感受性が低く,追加データを必要としない統一解を提供し,前方モデルの同時適用と1パスの再構成を可能にする。
  論文  参考訳（メタデータ） (2024-03-07T19:02:13Z)
• Dual Student Networks for Data-Free Model Stealing [79.67498803845059]
  主な課題は、パラメータにアクセスせずにターゲットモデルの勾配を推定し、多様なトレーニングサンプルを生成することである。 そこで本研究では,2人の学生が左右対称に学習し,学生が反対するサンプルを生成するための基準を提案する。 我々の新しい最適化フレームワークは、目標モデルのより正確な勾配推定と、ベンチマーク分類データセットの精度向上を提供する。
  論文  参考訳（メタデータ） (2023-09-18T18:11:31Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Mixture Manifold Networks: A Computationally Efficient Baseline for Inverse Modeling [7.891408798179181]
  汎用逆問題に対処する新しい手法を提案する。 近年の研究では、ディープラーニングによる顕著な結果が示されているが、モデルの性能と計算時間との間にはトレードオフがある。
  論文  参考訳（メタデータ） (2022-11-25T20:18:07Z)
• MEGA: Model Stealing via Collaborative Generator-Substitute Networks [4.065949099860426]
  近年のデータフリーモデルステイティングメソッドは,実際のクエリの例を使わずに,ターゲットモデルの知識を抽出するために有効であることが示されている。 本稿では,データフリーモデルステーリングフレームワーク(MEGA)を提案する。 以上の結果から,我々の訓練した代替モデルの精度と敵攻撃成功率は,最先端のデータフリーブラックボックス攻撃よりも最大で33%,40%高い値となる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-01-31T09:34:28Z)
• Regularising Inverse Problems with Generative Machine Learning Models [9.971351129098336]
  逆問題に対する変分正規化手法における生成モデルの利用を検討する。 生成正規化の成功は生成モデルの品質に依存する。 生成モデルの能力に大きく依存することから, 生成器の精度に制限された解が, 生成器の精度に大きく依存していることが示唆された。
  論文  参考訳（メタデータ） (2021-07-22T15:47:36Z)

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。