論文の概要: A Long-Short Flow-Map Perspective for Drifting Models

• arxiv url: http://arxiv.org/abs/2602.20463v1
• Date: Tue, 24 Feb 2026 01:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.571443
• Title: A Long-Short Flow-Map Perspective for Drifting Models
• Title（参考訳）: ドリフトモデルのロングショートフローマップパースペクティブ
• Authors: Zhiqi Li, Bo Zhu,
• Abstract要約: 本研究では,グローバルトランスポートプロセスが長期水平フローマップに分解され,その後に短時間の終端フローマップが得られたことを示す。 本稿では,長距離フローマップ分解を輸送下の密度変化と整合する新しい確率学習式を提案する。
• 参考スコア（独自算出の注目度）: 10.305612650249804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper provides a reinterpretation of the Drifting Model~\cite{deng2026generative} through a semigroup-consistent long-short flow-map factorization. We show that a global transport process can be decomposed into a long-horizon flow map followed by a short-time terminal flow map admitting a closed-form optimal velocity representation, and that taking the terminal interval length to zero recovers exactly the drifting field together with a conservative impulse term required for flow-map consistency. Based on this perspective, we propose a new likelihood learning formulation that aligns the long-short flow-map decomposition with density evolution under transport. We validate the framework through both theoretical analysis and empirical evaluations on benchmark tests, and further provide a theoretical interpretation of the feature-space optimization while highlighting several open problems for future study.
• Abstract（参考訳）: 本稿では,半群一貫性の長短フローマップ分解によるドリフトモデル~\cite{deng2026generative}の再解釈について述べる。 本研究では, 終端間隔長をゼロにすることで, フローマップの整合性に必要となる保守的なインパルス項とともに, ドリフト場を正確に回復することを示す。 この観点から,輸送下の密度変化と長短のフローマップ分解を一致させる新たな確率学習式を提案する。 提案手法は,ベンチマークテストにおける理論的解析と経験的評価の両面から検証し,今後の研究の課題を浮き彫りにしながら,特徴空間最適化の理論的解釈を提供する。

関連論文リスト

• Categorical Flow Maps [42.309126712129384]
  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。
  論文  参考訳（メタデータ） (2026-02-12T18:10:46Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Conditional Flow Matching for Bayesian Posterior Inference [0.0]
  本稿では,フローマッチングを用いた多変量後部サンプル作成手法を提案する。 単純なトレーニング目標を提供し、可能性評価へのアクセスを必要としない。
  論文  参考訳（メタデータ） (2025-10-10T16:48:28Z)
• Aligning Latent Spaces with Flow Priors [72.24305287508474]
  本稿では,学習可能な潜在空間を任意の目標分布に整合させるための新しいフレームワークを提案する。 特に,提案手法は計算コストの高い確率評価を排除し,最適化時のODE解決を回避する。
  論文  参考訳（メタデータ） (2025-06-05T16:59:53Z)
• Conditional Optimal Transport on Function Spaces [53.9025059364831]
  ブロック三角形モンジュ写像を記述した制約付き最適輸送問題の理論を開発する。 これは、一般的なコスト関数を持つ分離可能な無限次元函数空間への最適三角輸送の理論を一般化する。 本稿では,機能パラメータの非道徳的および可能性のない推論に対する理論的結果の計算的適用性を示す数値実験を行う。
  論文  参考訳（メタデータ） (2023-11-09T18:44:42Z)
• Flow-based Distributionally Robust Optimization [23.232731771848883]
  We present a framework, called $textttFlowDRO$, for solve flow-based distributionally robust optimization (DRO) problem with Wasserstein uncertainty set。 我々は、連続した最悪のケース分布(Last Favorable Distribution, LFD)とそれからのサンプルを見つけることを目指している。 本稿では、逆学習、分布論的に堅牢な仮説テスト、およびデータ駆動型分布摂動差分プライバシーの新しいメカニズムを実証する。
  論文  参考訳（メタデータ） (2023-10-30T03:53:31Z)
• BEVBert: Multimodal Map Pre-training for Language-guided Navigation [75.23388288113817]
  視覚・言語ナビゲーション(VLN)における空間認識型マップベース事前学習パラダイムを提案する。 我々は,グローバルなトポロジカルマップにおけるナビゲーション依存性をモデル化しながら,不完全な観測を明示的に集約し,重複を取り除くための局所距離マップを構築した。 ハイブリッドマップをベースとして,マルチモーダルマップ表現を学習するための事前学習フレームワークを考案し,空間認識型クロスモーダル推論を強化し,言語誘導ナビゲーションの目標を導出する。
  論文  参考訳（メタデータ） (2022-12-08T16:27:54Z)
• FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for Optical Flow Estimation [72.41370576242116]
  フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。 ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。 実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-01-17T07:13:51Z)
• A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
  学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。 フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。 既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
  論文  参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。