論文の概要: Riemannian MeanFlow

• arxiv url: http://arxiv.org/abs/2602.07744v1
• Date: Sun, 08 Feb 2026 00:41:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.78595
• Title: Riemannian MeanFlow
• Title（参考訳）: Riemannian (複数形 Riemannians)
• Authors: Dongyeop Woo, Marta Skreta, Seonghyun Park, Sungsoo Ahn, Kirill Neklyudov,
• Abstract要約: 推論に基づいてフローマップを直接学習するフレームワークを導入し,1つの前方通過で高品質な世代を実現する。 数ステップのフローマップは,中間ステップから端末状態を予測できる報奨ルックアヘッドによる効率的な報酬誘導設計を可能にすることを示す。
• 参考スコア（独自算出の注目度）: 28.88012310781753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion and flow models have become the dominant paradigm for generative modeling on Riemannian manifolds, with successful applications in protein backbone generation and DNA sequence design. However, these methods require tens to hundreds of neural network evaluations at inference time, which can become a computational bottleneck in large-scale scientific sampling workflows. We introduce Riemannian MeanFlow~(RMF), a framework for learning flow maps directly on manifolds, enabling high-quality generations with as few as one forward pass. We derive three equivalent characterizations of the manifold average velocity (Eulerian, Lagrangian, and semigroup identities), and analyze parameterizations and stabilization techniques to improve training on high-dimensional manifolds. In promoter DNA design and protein backbone generation settings, RMF achieves comparable sample quality to prior methods while requiring up to 10$\times$ fewer function evaluations. Finally, we show that few-step flow maps enable efficient reward-guided design through reward look-ahead, where terminal states can be predicted from intermediate steps at minimal additional cost.
• Abstract（参考訳）: 拡散と流れのモデルがリーマン多様体の生成モデルの主要なパラダイムとなり、タンパク質のバックボーン生成やDNA配列設計に成功している。 しかし、これらの手法は推論時に数十から数百のニューラルネットワーク評価を必要とするため、大規模な科学的なサンプリングワークフローにおいて計算のボトルネックとなる可能性がある。 本稿では,多様体上のフローマップを直接学習するフレームワークであるRiemannian MeanFlow~(RMF)を紹介する。 多様体の平均速度(ユーレアン、ラグランジュ、半群等式)の3つの等価な特徴付けを導出し、パラメータ化と安定化技術を分析して高次元多様体のトレーニングを改善する。 プロモーターのDNA設計とタンパク質のバックボーン生成設定では、RMFは前の方法と同等のサンプル品質を達成し、最大10$\times$より少ない機能評価を必要とする。 最後に,数ステップのフローマップにより,最小限の追加コストで中間ステップから端末状態を予測できる報奨ルックアヘッドによる効率的な報奨誘導設計が可能であることを示す。

関連論文リスト

• Joint Distillation for Fast Likelihood Evaluation and Sampling in Flow-based Models [100.28111930893188]
  今日の最高の生成モデルの中には、単一の可能性を計算するために、数百から数千の神経機能評価を必要とするものもあります。 本研究では, 高速流動継手蒸留法 (F2D2) を提案し, サンプリングに必要なNFEの数を2桁に減らした。 F2D2はモジュール構造であり、既存のフローベースの数ステップサンプリングモデルと互換性がある。
  論文  参考訳（メタデータ） (2025-12-02T10:48:20Z)
• Fisher Flow Matching for Generative Modeling over Discrete Data [12.69975914345141]
  離散データのための新しいフローマッチングモデルであるFisher-Flowを紹介する。 Fisher-Flowは、離散データ上のカテゴリー分布を考慮し、明らかに幾何学的な視点を採っている。 Fisher-Flowにより誘導される勾配流は, 前方KLの発散を低減するのに最適であることを示す。
  論文  参考訳（メタデータ） (2024-05-23T15:02:11Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
  我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。 FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
  論文  参考訳（メタデータ） (2023-10-03T19:24:24Z)

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。