論文の概要: TFTF: Training-Free Targeted Flow for Conditional Sampling
- arxiv url: http://arxiv.org/abs/2602.12932v1
- Date: Fri, 13 Feb 2026 13:41:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-16 23:37:53.969693
- Title: TFTF: Training-Free Targeted Flow for Conditional Sampling
- Title（参考訳）: TFTF:条件サンプリングのためのトレーニング不要なターゲットフロー
- Authors: Qianqian Qu, Jun S. Liu,
- Abstract要約: 重要度サンプリングに基づくフローマッチングモデルのための訓練不要条件付きサンプリング手法を提案する。
重要サンプリングのネーブ適用は高次元環境における重み付けに苦しむため, 連続モンテカルロにおける再サンプリング手法を改良し, 取り入れる。
私たちのフレームワークは、理論上の正確性を確保しながら、追加のトレーニングを必要としません。
- 参考スコア（独自算出の注目度）: 1.4151684142137693
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a training-free conditional sampling method for flow matching models based on importance sampling. Because a naïve application of importance sampling suffers from weight degeneracy in high-dimensional settings, we modify and incorporate a resampling technique in sequential Monte Carlo (SMC) during intermediate stages of the generation process. To encourage generated samples to diverge along distinct trajectories, we derive a stochastic flow with adjustable noise strength to replace the deterministic flow at the intermediate stage. Our framework requires no additional training, while providing theoretical guarantees of asymptotic accuracy. Experimentally, our method significantly outperforms existing approaches on conditional sampling tasks for MNIST and CIFAR-10. We further demonstrate the applicability of our approach in higher-dimensional, multimodal settings through text-to-image generation experiments on CelebA-HQ.
- Abstract（参考訳）: 重要度サンプリングに基づくフローマッチングモデルのための訓練不要条件付きサンプリング手法を提案する。
高次元環境下での重み縮退に苦しむ重要サンプリングのナイーブ適用により, 生成過程の中間段階において, 連続モンテカルロ(SMC)における再サンプリング手法を変更・導入する。
生成したサンプルを異なる軌跡に沿って分散させるため,中間段階の定性流を置き換えるために,騒音強度を調整可能な確率流を導出する。
我々のフレームワークは、漸近的精度の理論的保証を提供する一方で、追加のトレーニングを必要としない。
提案手法は,MNIST と CIFAR-10 の条件付きサンプリングタスクにおいて,既存の手法よりも有意に優れていた。
さらに,CelebA-HQ上でのテキスト・ツー・イメージ生成実験を通じて,高次元マルチモーダル・セッティングにおけるアプローチの適用性を示す。
関連論文リスト
- Learning To Sample From Diffusion Models Via Inverse Reinforcement Learning [43.678382510171986]
拡散モデルは、ニューラルネットワークによってガイドされる反復的復調プロセスを通じてサンプルを生成する。
本稿では,サンプリング戦略の学習のための逆強化学習フレームワークを提案する。
提案手法は,事前学習した拡散モデルにより生成された試料の品質を向上させることができることを示す。
論文 参考訳（メタデータ） (2026-02-09T14:10:44Z) - Euphonium: Steering Video Flow Matching via Process Reward Gradient Guided Stochastic Dynamics [49.242224984144904]
本稿では,プロセス報酬勾配誘導ダイナミクスによる生成を支援する新しいフレームワークであるEuphoniumを提案する。
我々の重要な洞察は、プロセス・リワード・モデルの勾配を明示的に組み込んだ理論的に原理化されたアルゴリズムとしてサンプリング・プロセスを定式化することである。
我々は,誘導信号をフローネットワークに内部化する蒸留目標を導出し,報奨モデルへの推論時間依存性を排除した。
論文 参考訳（メタデータ） (2026-02-04T08:59:57Z) - Sampling from multi-modal distributions on Riemannian manifolds with training-free stochastic interpolants [17.07401986649233]
本研究では,非平衡決定論的力学のシミュレーションに基づくサンプリングアルゴリズムを提案する。
機械学習に依存する関連する生成的モデリング手法とは対照的に,本手法は完全にトレーニング不要である。
論文 参考訳（メタデータ） (2026-01-31T10:17:44Z) - Reinforced sequential Monte Carlo for amortised sampling [49.92678178064033]
我々は、最大エントロピー強化学習(MaxEnt RL)により訓練されたシーケンシャルモンテカルロ(SMC)とニューラルシーケンシャルサンプリングとの接続を述べる。
本稿では,提案関数とツイスト関数の安定な連成訓練手法と,トレーニング信号のばらつきを低減するための適応重み付け方式について述べる。
論文 参考訳（メタデータ） (2025-10-13T17:59:11Z) - Amortized Sampling with Transferable Normalizing Flows [65.48838168417564]
プロス(英: Prose)は、ペプチド分子動力学のコーパスで訓練された、最大8個の残基の移動可能な正規化フローである。
本稿では, Prose が様々なサンプリングアルゴリズムの提案であることを示す。
我々はProseデータセットをオープンソース化し、償却されたサンプリング手法と微調整目的の研究をさらに促進する。
論文 参考訳（メタデータ） (2025-08-25T16:28:18Z) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - Non-equilibrium Annealed Adjoint Sampler [27.73022309947818]
SOCを用いた新しい拡散サンプリング装置である textbfNon-equilibrium Annealed Adjoint Sampler (NAAS) を導入する。
NAASは、アジョイントマッチングにインスパイアされたリーンアジョイントシステムを採用し、効率的でスケーラブルなトレーニングを可能にしている。
論文 参考訳（メタデータ） (2025-06-22T20:41:31Z) - Quantizing Diffusion Models from a Sampling-Aware Perspective [43.95032520555463]
本稿では,混合次軌道アライメント手法を考案したサンプリング対応量子化手法を提案する。
複数のデータセットにまたがるスパースステップ高速サンプリング実験により,本手法は高速サンプリング器の高速収束特性を保っていることが示された。
論文 参考訳（メタデータ） (2025-05-04T20:50:44Z) - Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。
本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-03-04T17:46:51Z)
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。