論文の概要: Causality--Δ: Jacobian-Based Dependency Analysis in Flow Matching Models
- arxiv url: http://arxiv.org/abs/2602.02793v1
- Date: Mon, 02 Feb 2026 20:52:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.083627
- Title: Causality--Δ: Jacobian-Based Dependency Analysis in Flow Matching Models
- Title（参考訳）: Causality--Δ:Jacobian-Based Dependency Analysis in Flow Matching Models (特集:バイオサイバネティックスとバイオサイバネティックス)
- Authors: Reza Rezvan, Gustav Gille, Moritz Schauer, Richard Torkar,
- Abstract要約: フローマッチングは、ベース分布をデータに転送する速度場を学習する。
これらの流れを通して小さな潜伏摂動が伝播し、ジャコビアンベクター生成物(JVP)が生成した特徴の依存性構造に実用的なレンズを提供することを示す。
- 参考スコア（独自算出の注目度）: 2.7182326722409385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flow matching learns a velocity field that transports a base distribution to data. We study how small latent perturbations propagate through these flows and show that Jacobian-vector products (JVPs) provide a practical lens on dependency structure in the generated features. We derive closed-form expressions for the optimal drift and its Jacobian in Gaussian and mixture-of-Gaussian settings, revealing that even globally nonlinear flows admit local affine structure. In low-dimensional synthetic benchmarks, numerical JVPs recover the analytical Jacobians. In image domains, composing the flow with an attribute classifier yields an attribute-level JVP estimator that recovers empirical correlations on MNIST and CelebA. Conditioning on small classifier-Jacobian norms reduces correlations in a way consistent with a hypothesized common-cause structure, while we emphasize that this conditioning is not a formal do intervention.
- Abstract（参考訳）: フローマッチングは、ベース分布をデータに転送する速度場を学習する。
これらの流れを通して小さな潜伏摂動が伝播し、ジャコビアンベクター生成物(JVP)が生成した特徴の依存性構造に実用的なレンズを提供することを示す。
ガウスとガウスの混合条件における最適ドリフトとそのヤコビアンに対する閉形式式を導出し、グローバルな非線形フローでさえ局所的なアフィン構造を持つことを示した。
低次元の合成ベンチマークでは、数値 JVP が解析的ヤコビアンを復元する。
画像領域では、フローを属性分類器で構成すると、属性レベルのJVP推定器が得られ、MNISTとCelebAに関する経験的相関を回復する。
小分類器-ヤコビアンノルムの条件付けは、仮説化された共通原因構造と整合した方法で相関を減少させるが、この条件付けは正式な介入ではないことを強調する。
関連論文リスト
- Order-Optimal Sample Complexity of Rectified Flows [43.61958734990224]
本研究では, ベース分布からデータ分布への輸送経路を線形に制約する整流流モデルについて検討する。
この構造的制限はサンプリングを大幅に加速し、しばしば単一のステップで高品質な生成を可能にする。
論文 参考訳（メタデータ） (2026-01-28T04:55:14Z) - Learning Overspecified Gaussian Mixtures Exponentially Fast with the EM Algorithm [5.625796693054093]
過特定ガウス混合モデルに適用した場合のEMアルゴリズムの収束特性について検討する。
集団EMアルゴリズムはクルバック・リーブラー距離(KL)において指数関数的に高速に収束することを示した。
論文 参考訳（メタデータ） (2025-06-13T14:57:57Z) - Riemannian Variational Flow Matching for Material and Protein Design [37.328940532069424]
ユークリッド空間では、予測終点(VFM)、速度(FM)、ノイズ(拡散)はアフィンによってほぼ同値である。
曲線多様体上では、この同値性は崩壊し、終点予測がより強い学習信号を与えるという仮説を立てる。
この知見に基づいて、変動フローマッチングの目的を導出する。
合成球面および双曲型ベンチマークの実験は、物質やタンパク質の生成における実世界のタスクと同様に、RG-VFMがより効果的に多様体構造を捉えることを実証している。
論文 参考訳（メタデータ） (2025-02-18T16:02:10Z) - Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。
最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
論文 参考訳（メタデータ） (2023-10-20T12:45:12Z) - Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
アイソメトリーを用いて、多様体学習と密度推定を分離する。
また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
論文 参考訳（メタデータ） (2022-03-08T08:57:43Z) - 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) - Attentive Contractive Flow with Lipschitz-constrained Self-Attention [25.84621883831624]
注意的収縮フロー(ACF)と呼ばれる新しいアプローチを導入する。
ACFは、フローベースの生成モデル - 収縮フロー - の特別なカテゴリを利用する。
我々は, ACFをプラグアンドプレイ方式で, 各種のアートフローモデルに導入できることを実証した。
論文 参考訳（メタデータ） (2021-09-24T18:02:49Z) - Accuracy on the Line: On the Strong Correlation Between
Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。
具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。
また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文 参考訳（メタデータ） (2021-07-09T19:48:23Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z) - 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。