論文の概要: Categorical Flow Maps

• arxiv url: http://arxiv.org/abs/2602.12233v1
• Date: Thu, 12 Feb 2026 18:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.97375
• Title: Categorical Flow Maps
• Title（参考訳）: カテゴリーフローマップ
• Authors: Daan Roos, Oscar Davis, Floor Eijkelboom, Michael Bronstein, Max Welling, İsmail İlkan Ceylan, Luca Ambrogioni, Jan-Willem van de Meent,
• Abstract要約: カテゴリーフローマップ(Categorical Flow Map)は, 自己蒸留による数段階のカテゴリーデータ生成を高速化するフローマッチング手法である。 画像, 分子グラフ, テキストにおける最先端数ステップの結果を, 単一ステップ生成においても高い性能で達成する。
• 参考スコア（独自算出の注目度）: 42.309126712129384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Categorical Flow Maps, a flow-matching method for accelerated few-step generation of categorical data via self-distillation. Building on recent variational formulations of flow matching and the broader trend towards accelerated inference in diffusion and flow-based models, we define a flow map towards the simplex that transports probability mass toward a predicted endpoint, yielding a parametrisation that naturally constrains model predictions. Since our trajectories are continuous rather than discrete, Categorical Flow Maps can be trained with existing distillation techniques, as well as a new objective based on endpoint consistency. This continuous formulation also automatically unlocks test-time inference: we can directly reuse existing guidance and reweighting techniques in the categorical setting to steer sampling toward downstream objectives. Empirically, we achieve state-of-the-art few-step results on images, molecular graphs, and text, with strong performance even in single-step generation.
• Abstract（参考訳）: 本稿では,自己蒸留による数段階のカテゴリデータ生成を高速化するフローマッチング手法であるカテゴリフローマップを紹介する。 フローマッチングの最近の変分式と拡散モデルおよびフローベースモデルにおける加速推論への広範な傾向に基づいて、予測終点に向かって確率質量を輸送する単純点へのフローマップを定義し、モデル予測を自然に制約するパラメーターを生成する。 我々の軌道は離散ではなく連続的であるので、カテゴリフローマップは既存の蒸留技術とエンドポイントの整合性に基づく新しい目的を訓練することができる。 この連続的な定式化は、テスト時間推論を自動的にアンロックします。既存のガイダンスと再重み付けのテクニックを直接再利用して、下流の目的に向けてサンプリングを行うことができます。 経験的には、画像、分子グラフ、テキストの最先端数ステップの結果が得られ、単一ステップ生成でも高い性能が得られる。

関連論文リスト

• FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
  現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。 ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。 本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
  論文  参考訳（メタデータ） (2026-02-06T03:24:23Z)
• Test-time scaling of diffusions with flow maps [68.79792714591564]
  テスト時の拡散モデルを改善するための一般的なレシピは、報酬の勾配を拡散そのものの力学に導入することである。 フローマップを直接扱うことで,簡単な解を提案する。 本研究では, 流図と流速場の関係を利用して, 従来のテスト時間法よりも精度の高いフローマップトラジェクトリ・ティルティング (FMTT) アルゴリズムを構築した。
  論文  参考訳（メタデータ） (2025-11-27T18:44:12Z)
• FlowDrive: moderated flow matching with data balancing for trajectory planning [5.553127690929986]
  FlowDriveは、条件付き修正フローを学習し、ノイズを直接トラジェクトリ分布にマッピングするフローマッチングトラジェクトリプランナである。 FlowDriveは、学習ベースのプランナーとルールベースの改善によるアプローチ手法の間で、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-09-26T06:49:22Z)
• Align Your Flow: Scaling Continuous-Time Flow Map Distillation [63.927438959502226]
  フローマップは、任意の2つのノイズレベルを1ステップで接続し、すべてのステップカウントで有効に保ちます。 画像生成ベンチマークにおいて、Align Your Flowと呼ばれるフローマップモデルを広範囲に検証する。 テキスト条件付き合成において、既存の非横断的訓練された数ステップのサンプルよりも優れたテキスト間フローマップモデルを示す。
  論文  参考訳（メタデータ） (2025-06-17T15:06:07Z)
• How to build a consistency model: Learning flow maps via self-distillation [18.299322342860517]
  フローベース生成モデルは最先端のサンプルの品質を達成するが、推論時に微分方程式の高価な解を必要とする。 これらのモデルには、実際に効率的に学習する方法を明確に説明する統一的な記述がない。 本稿では,フローや拡散モデルに関連するフローマップを直接学習するための体系的なアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-24T18:50:50Z)
• SCoT: Unifying Consistency Models and Rectified Flows via Straight-Consistent Trajectories [31.60548236936739]
  本研究では,事前学習した拡散モデルに対する直線一貫性軌道(SCoT)モデルを提案する。 SCoTは、高速サンプリングのための両方のアプローチの利点を享受し、一貫した特性と直線的な性質のトラジェクトリを同時に生成する。
  論文  参考訳（メタデータ） (2025-02-24T08:57:19Z)
• Flow map matching with stochastic interpolants: A mathematical framework for consistency models [15.520853806024943]
  フローマップマッチングは、基礎となる生成モデルの2時間フローマップを学ぶための原則化されたフレームワークである。 FMMは,高速サンプリングのための既存手法の幅広いクラスを統一し,拡張することを示す。
  論文  参考訳（メタデータ） (2024-06-11T17:41:26Z)
• Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
  我々は,新しいtextbf Optimal Flow Matching (OFM) アプローチを開発し,理論的に正当化する。 これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。 提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
  論文  参考訳（メタデータ） (2024-03-19T19:44:54Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)

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。