論文の概要: Accelerated Sequential Flow Matching: A Bayesian Filtering Perspective

• arxiv url: http://arxiv.org/abs/2602.05319v1
• Date: Thu, 05 Feb 2026 05:37:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.768924
• Title: Accelerated Sequential Flow Matching: A Bayesian Filtering Perspective
• Title（参考訳）: 逐次流れマッチングの高速化:ベイズフィルタの視点から
• Authors: Yinan Huang, Hans Hao-Hsun Hsu, Junran Wang, Bo Dai, Pan Li,
• Abstract要約: 本稿では,ベイズフィルタを基盤とした逐次フローマッチングについて紹介する。 ストリーミング推論を,あるステップから次のステップへ予測分布を伝達する確率フローの学習として扱うことにより,ベイズ的信念更新の構造と自然に一致させる。 本手法は, サンプリングステップを1回, ごく少数必要としながら, フルステップ拡散と性能を競合させ, サンプリングを高速化する。
• 参考スコア（独自算出の注目度）: 16.29333060724397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential prediction from streaming observations is a fundamental problem in stochastic dynamical systems, where inherent uncertainty often leads to multiple plausible futures. While diffusion and flow-matching models are capable of modeling complex, multi-modal trajectories, their deployment in real-time streaming environments typically relies on repeated sampling from a non-informative initial distribution, incurring substantial inference latency and potential system backlogs. In this work, we introduce Sequential Flow Matching, a principled framework grounded in Bayesian filtering. By treating streaming inference as learning a probability flow that transports the predictive distribution from one time step to the next, our approach naturally aligns with the recursive structure of Bayesian belief updates. We provide theoretical justification that initializing generation from the previous posterior offers a principled warm start that can accelerate sampling compared to naïve re-sampling. Across a wide range of forecasting, decision-making and state estimation tasks, our method achieves performance competitive with full-step diffusion while requiring only one or very few sampling steps, therefore with faster sampling. It suggests that framing sequential inference via Bayesian filtering provides a new and principled perspective towards efficient real-time deployment of flow-based models.
• Abstract（参考訳）: ストリーミング観測からの逐次予測は確率力学系における基本的な問題であり、固有不確実性はしばしば複数の有望な未来に繋がる。 拡散およびフローマッチングモデルは複雑なマルチモーダルな軌跡をモデル化できるが、リアルタイムストリーミング環境への展開は、通常、非形式的初期分布からの繰り返しサンプリングに依存し、かなりの推論遅延と潜在的なシステムバックログを引き起こす。 本研究では,ベイズフィルタを基盤とした逐次フローマッチングを提案する。 ストリーミング推論を,あるステップから次のステップへ予測分布を伝達する確率フローの学習として扱うことにより,ベイズ的信念更新の帰納的構造と自然に一致させる。 我々は,前者から発生した初期化が,ナイーブ再サンプリングと比較してサンプリングを加速できる原理的な温暖化開始を与えるという理論的正当性を与える。 予測,意思決定,状態推定の幅広いタスクにおいて,本手法は1段階ないしごく少数のサンプリングステップしか必要とせず,全段階拡散と競合する性能を実現し,より高速なサンプリングを行う。 このことは、ベイジアンフィルタリングによる逐次推論は、フローベースモデルの効率的なリアルタイム展開に向けて、新しく、原則化された視点を提供することを示唆している。

関連論文リスト

• ProFlow: Zero-Shot Physics-Consistent Sampling via Proximal Flow Guidance [35.08166384258028]
  ProFlowはゼロショット物理一貫性サンプリングのためのフレームワークである。 厳密な物理的整合性と観測的忠実さを事前訓練された前の統計構造と整合させる。 これは、より正確な分布統計だけでなく、より優れた物理的および観測的整合性を達成する。
  論文  参考訳（メタデータ） (2026-01-28T03:57:00Z)
• Inference-time Stochastic Refinement of GRU-Normalizing Flow for Real-time Video Motion Transfer [0.7161783472741748]
  没入型ゲームのようなリアルタイムビデオモーション転送アプリケーションは、現実的な合成と堅牢な下流決定を支援するために、正確かつ多様な将来予測を必要とする。 このような逐次予測の多様性を改善するために,GRU-NF(Gated Recurrent Unit-Normalizing Flows)とサンプリング手法を組み合わせた新しい推論時間改善手法を提案する。 GRU-SNF(Gated Recurrent Unit- Normalizing Flows, GRU-SNF)は,より長い予測地平線の下でも精度を犠牲にすることなく,多様な出力を生成する上で,GRU-NFより優れていることを示す。
  論文  参考訳（メタデータ） (2025-12-03T21:47:30Z)
• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• Effective Test-Time Scaling of Discrete Diffusion through Iterative Refinement [51.54933696252104]
  離散拡散に適した新しいテスト時間スケーリング手法であるイテレーティブ・リワードガイドリファインメント(IterRef)を導入する。 我々は、このプロセスをMultiple-Try Metropolisフレームワークで形式化し、報酬整合分布への収束を証明した。 IterRefは計算予算の低さで大幅に上昇し、最先端のベースラインをはるかに超えている。
  論文  参考訳（メタデータ） (2025-11-04T02:33:23Z)
• Efficiently Generating Correlated Sample Paths from Multi-step Time Series Foundation Models [66.60042743462175]
  時系列基礎モデルから正確な相関サンプルパスを効率的に生成するためのコプラに基づく手法を提案する。 提案手法は, 自己回帰サンプリングよりもはるかに高速に相関したサンプルパスを生成する。
  論文  参考訳（メタデータ） (2025-10-02T17:08:58Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Probabilistic Forecasting via Autoregressive Flow Matching [1.5467259918426441]
  FlowTimeは、時系列データの確率予測のための生成モデルである。 我々は、将来の観測の連成分布を条件密度の列に分解し、それぞれが共有フローを介してモデル化される。 本研究では,複数の動的システムおよび実世界の予測タスクにおけるFlowTimeの有効性を示す。
  論文  参考訳（メタデータ） (2025-03-13T13:54:24Z)
• Improved off-policy training of diffusion samplers [93.66433483772055]
  本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。 シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。 我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-02-07T18:51:49Z)
• Benchmarking Autoregressive Conditional Diffusion Models for Turbulent Flow Simulation [26.520247496906492]
  本研究では,条件付き拡散モデルに基づく自動回帰ロールアウトを利用した完全データ駆動型流体解法が,この問題に対処するための有効な選択肢であるかどうかを解析する。 各種流速予測手法の性能を定量的に定性的に評価するために, 非圧縮性および超音速流を含む3つの難解な2次元シナリオと等方性乱流を用いる。 単純な拡散に基づくアプローチであっても、トレーニング時のアンロールのような最先端の安定化技術と同等でありながら、精度と時間的安定性の観点から、複数の確立したフロー予測手法より優れていることが判明した。
  論文  参考訳（メタデータ） (2023-09-04T18:01:42Z)

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。