論文の概要: General Proximal Flow Networks

• arxiv url: http://arxiv.org/abs/2603.00751v1
• Date: Sat, 28 Feb 2026 17:52:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.349991
• Title: General Proximal Flow Networks
• Title（参考訳）: 一般近流網
• Authors: Alexander Strunk, Roland Assam,
• Abstract要約: 本稿ではGPFN(General Proximal Flow Networks)を紹介する。 GPFNは、ワッサーシュタイン距離のような任意の発散関数や距離関数に置き換える。 実験的な評価により、基礎となるデータ幾何への偏差が生成品質の計測可能な改善をもたらすことが確認された。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces General Proximal Flow Networks (GPFNs), a generalization of Bayesian Flow Networks that broadens the class of admissible belief-update operators. In Bayesian Flow Networks, each update step is a Bayesian posterior update, which is equivalent to a proximal step with respect to the Kullback-Leibler divergence. GPFNs replace this fixed choice with an arbitrary divergence or distance function, such as the Wasserstein distance, yielding a unified proximal-operator framework for iterative generative modeling. The corresponding training and sampling procedures are derived, establishing a formal link to proximal optimization and recovering the standard BFN update as a special case. Empirical evaluations confirm that adapting the divergence to the underlying data geometry yields measurable improvements in generation quality, highlighting the practical benefits of this broader framework.
• Abstract（参考訳）: 本稿では,バイジアンフローネットワークを一般化したGPFN(General Proximal Flow Networks)を紹介する。 ベイジアンフローネットワークでは、各更新ステップはベイジアンの後続更新であり、Kulback-Leibler 分岐に対する近位ステップに相当する。 GPFNは、この固定された選択をワッサーシュタイン距離のような任意の発散あるいは距離関数に置き換え、反復生成モデリングのための統一された近似演算型フレームワークを生成する。 対応するトレーニングおよびサンプリング手順が導出され、近位最適化への公式なリンクを確立し、特別なケースとして標準BFN更新を回復する。 実験的な評価により、基礎となるデータジオメトリへの偏在が世代品質の計測可能な改善をもたらすことが確認され、このより広範なフレームワークの実用的メリットが浮き彫りにされている。

関連論文リスト

• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• Adaptive Benign Overfitting (ABO): Overparameterized RLS for Online Learning in Non-stationary Time-series [0.0]
  ABOは非常に正確で(ベースラインのカーネルメソッドと比較して)、20～40%のスピード改善を実現している。 結果は、安定したオンライン学習フレームワーク内で適応フィルタリング、カーネル近似、良性過剰適合をリンクする統一ビューを提供する。
  論文  参考訳（メタデータ） (2026-01-29T15:58:01Z)
• Physics-Informed Design of Input Convex Neural Networks for Consistency Optimal Transport Flow Matching [1.3709465727733763]
  物理インフォームド・ニューラル入力整合性ネットワーク(PICNN)は、変位をエミュレートする流れ場の構築において中心的な役割を果たす。 予測段階では,一段階(Mrenier-map)と多段階ODEサンプリングの両方をサポートし,OTフローの直線性を活用する。
  論文  参考訳（メタデータ） (2025-11-08T15:30:55Z)
• Iterative Refinement of Flow Policies in Probability Space for Online Reinforcement Learning [56.47948583452555]
  固定ステップのEulerスキームによるフローマッチング推論プロセスの離散化は,最適輸送から変化するJordan-Kinderlehrer-Otto原理と整合する,というキーインサイトに基づいて,SWFP(Stepwise Flow Policy)フレームワークを紹介した。 SWFPは、大域的な流れを、プロキシメート分布間の小さな漸進的な変換の列に分解する。 この分解は、小さな流れブロックのカスケードを介して事前訓練された流れを微調整する効率的なアルゴリズムを導き、大きな利点をもたらす。
  論文  参考訳（メタデータ） (2025-10-17T07:43:51Z)
• Conditional diffusions for amortized neural posterior estimation [8.37884129644711]
  本稿では,高容量要約ネットワークを併用した条件拡散の有効性を示す。 その結果,より単純で浅いモデルであっても,安定性の向上,精度の向上,トレーニング時間の短縮が得られた。
  論文  参考訳（メタデータ） (2024-10-24T19:13:13Z)
• Stream-level flow matching with Gaussian processes [4.935875591615496]
  条件付きフローマッチング(CFM)は、連続正規化フロー(CNF)を適合させる訓練アルゴリズムの一群である。 我々は、ストリームに沿った条件付き確率パス、ソースとターゲットのデータペアを接続する遅延パスのインスタンスを定義することで、CFMアルゴリズムを拡張した。 本研究では, CFMの一般化により, 推定限界ベクトル場の分散を適度な計算コストで効果的に低減できることを示す。
  論文  参考訳（メタデータ） (2024-09-30T15:47:22Z)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• 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)

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。