論文の概要: Unlocking the Duality between Flow and Field Matching

• arxiv url: http://arxiv.org/abs/2602.02261v1
• Date: Mon, 02 Feb 2026 16:04:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.275959
• Title: Unlocking the Duality between Flow and Field Matching
• Title（参考訳）: 流れとフィールドマッチングの重複を解き明かす
• Authors: Daniil Shlenskii, Alexander Varlamov, Nazar Buzun, Alexander Korotin,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 86.34409966628323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conditional Flow Matching (CFM) unifies conventional generative paradigms such as diffusion models and flow matching. Interaction Field Matching (IFM) is a newer framework that generalizes Electrostatic Field Matching (EFM) rooted in Poisson Flow Generative Models (PFGM). While both frameworks define generative dynamics, they start from different objects: CFM specifies a conditional probability path in data space, whereas IFM specifies a physics-inspired interaction field in an augmented data space. This raises a basic question: are CFM and IFM genuinely different, or are they two descriptions of the same underlying dynamics? We show that they coincide for a natural subclass of IFM that we call forward-only IFM. Specifically, we construct a bijection between CFM and forward-only IFM. We further show that general IFM is strictly more expressive: it includes EFM and other interaction fields that cannot be realized within the standard CFM formulation. Finally, we highlight how this duality can benefit both frameworks: it provides a probabilistic interpretation of forward-only IFM and yields novel, IFM-driven techniques for CFM.
• Abstract（参考訳）: 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。 Interaction Field Matching (IFM) は、Poisson Flow Generative Models (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。 CFMはデータ空間における条件付き確率パスを指定し、IMMは拡張データ空間における物理に着想を得た相互作用フィールドを指定します。 CFMとIMMは本当に違うのか、同じ基礎となるダイナミクスの2つの説明なのか? 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。 具体的には, CFM とフォワードオンリー IFM の間にバイジェクションを構築する。 さらに、一般IFMは、標準CFMの定式化では実現できないEMMやその他の相互作用場を含む、厳密な表現性を示す。 最後に、この双対性が両方のフレームワークにどのような恩恵をもたらすかを強調します。これは、フォワードオンリーのIMMの確率論的解釈を提供し、CFMのための新しいIMM駆動技術をもたらす。

関連論文リスト

• Hierarchical Federated Foundation Models over Wireless Networks for Multi-Modal Multi-Task Intelligence: Integration of Edge Learning with D2D/P2P-Enabled Fog Learning Architectures [58.72593025539547]
  本稿では,階層型フェデレーション基礎モデル(HF-FM)を提案することで,M3T FFMの探索されていないバリエーションを明らかにする。 HF-FMはM3T FMのモジュール構造を戦略的に整列させ、モダリティエンコーダ、プロンプト、ME(Mixy-of-Experts)、アダプタ、タスクヘッドから構成される。 その可能性を実証するため,無線ネットワーク環境におけるHF-FMの試作と,HF-FMの開発のためのオープンソースコードのリリースを行った。
  論文  参考訳（メタデータ） (2025-09-03T20:23:19Z)
• Shallow Flow Matching for Coarse-to-Fine Text-to-Speech Synthesis [31.221799170851142]
  Shallow Flow Matching (SFM) は、フローマッチング(FM)ベースのテキスト音声合成(TTS)モデルを強化する新しいメカニズムである。 主観的評価と主観的評価の両面において,SFMは音声の自然性において一貫した利得が得られることを示す。
  論文  参考訳（メタデータ） (2025-05-18T04:15:08Z)
• 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)
• FedPFT: Federated Proxy Fine-Tuning of Foundation Models [55.58899993272904]
  フェデレートラーニング(FL)を通じて下流タスクにファンデーションモデル(FM)を適用することは、データプライバシと価値のあるFMを保護するための有望な戦略として現れます。 FLのクライアントにサブFMを割り当てることによる既存のFMの微調整手法は、チューニングが不十分で勾配の必然的エラー蓄積が避けられないため、最適以下の性能をもたらす。 本稿では,FedPFT(Federated Proxy Fine-Tuning)を提案する。
  論文  参考訳（メタデータ） (2024-04-17T16:30:06Z)
• Boosting Factorization Machines via Saliency-Guided Mixup [125.15872106335692]
  我々は、MixupにインスパイアされたMixFMを紹介し、ファクトリゼーションマシン(FM)を強化するための補助的なトレーニングデータを生成する。 また、Saliency-Guided Mixup(SMFM)を利用した新しいファクトリゼーションマシンも提案した。
  論文  参考訳（メタデータ） (2022-06-17T09:49:00Z)
• Mixed Variable Bayesian Optimization with Frequency Modulated Kernels [96.78099706164747]
  異なる種類の変数間の依存性を柔軟にモデリングする周波数変調(FM)カーネルを提案する。 BO-FMは正規化進化(RE)およびBOHBを含む競争相手を上回ります。
  論文  参考訳（メタデータ） (2021-02-25T11:28:46Z)
• $FM^2$: Field-matrixed Factorization Machines for Recommender Systems [9.461169933697379]
  フィールド情報を効果的かつ効率的にモデル化するための新しい手法を提案する。 提案手法はFwFMの直接改良であり、FmFM(Field-matrixed Factorization Machines)と呼ばれている。
  論文  参考訳（メタデータ） (2021-02-20T00:03:37Z)

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。