論文の概要: Verifier-Constrained Flow Expansion for Discovery Beyond the Data
- arxiv url: http://arxiv.org/abs/2602.15984v1
- Date: Tue, 17 Feb 2026 20:20:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-19 15:58:30.427366
- Title: Verifier-Constrained Flow Expansion for Discovery Beyond the Data
- Title（参考訳）: データ以外の発見のための検証基準付きフロー拡張
- Authors: Riccardo De Santi, Kimon Protopapas, Ya-Ping Hsieh, Andreas Krause,
- Abstract要約: フローと拡散モデルは通常、限られた利用可能なデータに基づいて事前訓練され、有効な設計空間のごく一部だけをカバーする。
これは科学的な発見アプリケーションの基本的制限であり、典型的には、利用可能なデータ分布を超えて有効な設計をサンプリングすることを目的としている。
本稿では,フロープロセスのノイズ状態空間上での検証式制約付きエントロピーにより,両問題に確実に対処するスケーラブルなミラー降下方式であるFlow Expander(FE)を提案する。
- 参考スコア（独自算出の注目度）: 39.65241651963903
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flow and diffusion models are typically pre-trained on limited available data (e.g., molecular samples), covering only a fraction of the valid design space (e.g., the full molecular space). As a consequence, they tend to generate samples from only a narrow portion of the feasible domain. This is a fundamental limitation for scientific discovery applications, where one typically aims to sample valid designs beyond the available data distribution. To this end, we address the challenge of leveraging access to a verifier (e.g., an atomic bonds checker), to adapt a pre-trained flow model so that its induced density expands beyond regions of high data availability, while preserving samples validity. We introduce formal notions of strong and weak verifiers and propose algorithmic frameworks for global and local flow expansion via probability-space optimization. Then, we present Flow Expander (FE), a scalable mirror descent scheme that provably tackles both problems by verifier-constrained entropy maximization over the flow process noised state space. Next, we provide a thorough theoretical analysis of the proposed method, and state convergence guarantees under both idealized and general assumptions. Ultimately, we empirically evaluate our method on both illustrative, yet visually interpretable settings, and on a molecular design task showcasing the ability of FE to expand a pre-trained flow model increasing conformer diversity while preserving validity.
- Abstract（参考訳）: フローと拡散モデルは通常、利用可能な限られたデータ(例えば分子サンプル)で事前訓練され、有効な設計空間(例えば、完全な分子空間)のごく一部だけをカバーする。
その結果、実現可能な領域の狭い部分のみからサンプルを生成する傾向にある。
これは科学的な発見アプリケーションの基本的制限であり、典型的には、利用可能なデータ分布を超えて有効な設計をサンプリングすることを目的としている。
この目的のために、検証器(例えば原子結合チェッカー)へのアクセスを活用して、サンプルの有効性を保ちながら、その誘導密度が高可用性領域を超えて広がるように、事前訓練されたフローモデルを適用するという課題に対処する。
本稿では,強い検証器と弱い検証器の形式的概念を導入し,確率空間最適化による大域的および局所的なフロー拡大のためのアルゴリズム的枠組みを提案する。
そこで我々は,フロープロセスのノイズ状態空間上でのエントロピー最大化を検証し,両問題に確実に対処するスケーラブルなミラー降下方式であるFlow Expander(FE)を提案する。
次に,提案手法の詳細な理論的解析を行い,理想的仮定と一般仮定の両方の下で状態収束を保証する。
究極的には,本手法を実証的かつ視覚的に解釈可能な設定と,その妥当性を保ちながらコンホメータの多様性を増大させる事前学習フローモデルの拡張能力を示す分子設計タスクで実証的に評価する。
関連論文リスト
- Flow Density Control: Generative Optimization Beyond Entropy-Regularized Fine-Tuning [59.11663802446183]
フローおよび拡散生成モデルは、事前情報を保持しながらタスク固有の目的を最適化するために適応することができる。
本研究では,フロー密度制御(FDC)を導入し,複雑な問題をより単純な微調整タスクの特定のシーケンスに還元する。
我々は,近年のミラーフローの理解を活用して,現実的な仮定の下で提案されたスキームの収束保証を導出する。
論文 参考訳（メタデータ） (2025-11-27T17:19:01Z) - Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。
本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。
本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
論文 参考訳（メタデータ） (2025-06-18T11:59:15Z) - Minimum-Excess-Work Guidance [17.15668604906196]
本稿では,事前学習した確率フロー生成モデルを導くための正規化フレームワークを提案する。
本手法は,科学応用に共通するスパースデータ体制における効率的なガイダンスを可能にする。
粗粒タンパク質モデルにおけるフレームワークの汎用性を実証する。
論文 参考訳（メタデータ） (2025-05-19T17:19:43Z) - A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [8.862614615192578]
本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。
その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
論文 参考訳（メタデータ） (2024-10-02T20:46:21Z) - Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。
実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
論文 参考訳（メタデータ） (2023-03-03T11:31:55Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。
摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。
最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文 参考訳（メタデータ） (2022-08-18T16:07:59Z)
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。