論文の概要: Flow Matching with Uncertainty Quantification and Guidance

• arxiv url: http://arxiv.org/abs/2602.10326v1
• Date: Tue, 10 Feb 2026 22:03:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.307075
• Title: Flow Matching with Uncertainty Quantification and Guidance
• Title（参考訳）: 不確かさの定量化とガイダンスによる流れのマッチング
• Authors: Juyeop Han, Lukas Lao Beyer, Sertac Karaman,
• Abstract要約: 不確実性認識フローマッチング(英: Uncertainty-aware flow matching、UA-Flow)は、不確定性不確実性とともに速度場を予測するフローマッチングの軽量拡張である。 UA-Flowは流れのダイナミクスによる速度の不確かさの伝播によるサンプル当たりの不確かさを推定する。 画像生成実験により,UA-Flowはベースライン法よりも試料の忠実度に強く相関した不確実性信号を生成することが示された。
• 参考スコア（独自算出の注目度）: 14.952056744888912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the remarkable success of sampling-based generative models such as flow matching, they can still produce samples of inconsistent or degraded quality. To assess sample reliability and generate higher-quality outputs, we propose uncertainty-aware flow matching (UA-Flow), a lightweight extension of flow matching that predicts the velocity field together with heteroscedastic uncertainty. UA-Flow estimates per-sample uncertainty by propagating velocity uncertainty through the flow dynamics. These uncertainty estimates act as a reliability signal for individual samples, and we further use them to steer generation via uncertainty-aware classifier guidance and classifier-free guidance. Experiments on image generation show that UA-Flow produces uncertainty signals more highly correlated with sample fidelity than baseline methods, and that uncertainty-guided sampling further improves generation quality.
• Abstract（参考訳）: フローマッチングのようなサンプリングベース生成モデルの顕著な成功にもかかわらず、不整合または劣化した品質のサンプルを生成することができる。 サンプルの信頼性を評価し,高品質な出力を生成するために,不確実性認識フローマッチング(UA-Flow)を提案する。 UA-Flowは流れのダイナミクスによる速度の不確かさの伝播によるサンプル当たりの不確かさを推定する。 これらの不確実性推定は、個々のサンプルに対する信頼性信号として機能し、不確実性認識型分類器ガイダンスと分類器フリーガイダンスを介して、それらをステア・ジェネレーションに利用する。 画像生成実験により,UA-Flowはベースライン法よりも試料忠実度に強く相関した不確実性信号を生成し,不確実性誘導サンプリングにより生成品質がさらに向上することが示された。

関連論文リスト

• Quantifying Epistemic Uncertainty in Diffusion Models [7.745621732213343]
  経験的に、FLAREは合成時系列生成タスクにおける不確実性推定を改善する。 本研究は, 最終層ラプラス近似が不十分であることを示す解析的, 実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2026-02-09T20:22:33Z)
• Importance-Weighted Non-IID Sampling for Flow Matching Models [5.995277983968318]
  本研究では,フロー分布の多様で健全な領域をカバーするために,複数のサンプルを共同で描画する重要重み付き非IIDサンプリングフレームワークを提案する。 多様性と品質のバランスをとるために,多様性機構のためのスコアベースの正規化を導入する。 提案手法は,重要度と期待値の双方について,多種多様で高品質なサンプルと正確な推定値を生成する。
  論文  参考訳（メタデータ） (2025-11-21T22:05:56Z)
• Label-Confidence-Aware Uncertainty Estimation in Natural Language Generation [8.635811152610604]
  不確実性定量化(UQ)は、AIシステムの安全性と堅牢性を保証するために不可欠である。 サンプルとラベルソース間の分岐に基づくラベル信頼度(LCA)の不確実性評価を提案する。
  論文  参考訳（メタデータ） (2024-12-10T07:35:23Z)
• Diffusion Model Guided Sampling with Pixel-Wise Aleatoric Uncertainty Estimation [10.269485943949332]
  本稿では,拡散モデルのサンプリングフェーズにおける画素単位のアレタリック不確かさを推定する。 この不確実性は、拡散モデルに特化して設計された摂動スキームによるデノナイジングスコアのばらつきとして計算される。 FIDスコアの点から,本手法がより優れたサンプル生成に繋がることを示す。
  論文  参考訳（メタデータ） (2024-11-29T19:02:08Z)
• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。