Fugu-MT 論文翻訳(概要): Training Flow Matching: The Role of Weighting and Parameterization

論文の概要: Training Flow Matching: The Role of Weighting and Parameterization

arxiv url: http://arxiv.org/abs/2603.06454v1
Date: Fri, 06 Mar 2026 16:44:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-09 13:17:46.214673
Title: Training Flow Matching: The Role of Weighting and Parameterization
Title（参考訳）: トレーニングフローマッチング:重み付けとパラメータ化の役割
Abstract要約: 本研究では,認知型生成モデルの学習目標について検討する。これらの学習選択がデータ多様体の内在次元とどのように相互作用するかを分析する。
参考スコア（独自算出の注目度）: 15.151326797640463
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study the training objectives of denoising-based generative models, with a particular focus on loss weighting and output parameterization, including noise-, clean image-, and velocity-based formulations. Through a systematic numerical study, we analyze how these training choices interact with the intrinsic dimensionality of the data manifold, model architecture, and dataset size. Our experiments span synthetic datasets with controlled geometry as well as image data, and compare training objectives using quantitative metrics for denoising accuracy (PSNR across noise levels) and generative quality (FID). Rather than proposing a new method, our goal is to disentangle the various factors that matter when training a flow matching model, in order to provide practical insights on design choices.
Abstract（参考訳）: 雑音, クリーンイメージ, 速度に基づく定式化を含む, 損失重み付けと出力パラメータ化に着目し, 雑音に基づく生成モデルの訓練目標について検討する。系統的な数値解析により、これらの学習選択が、データ多様体、モデルアーキテクチャ、データセットサイズの本質的な次元とどのように相互作用するかを分析する。本実験は,制御された形状と画像データを用いた合成データセットにまたがって,ノイズレベルの精度(PSNR)と生成品質(FID)を定量化するためのトレーニング目標を比較した。新しい手法を提案するのではなく、フローマッチングモデルをトレーニングする際に重要となる様々な要因を解消し、設計選択に関する実践的な洞察を提供することを目標としています。

関連論文リスト

Learning Multi-Indicator Weights for Data Selection: A Joint Task-Model Adaptation Framework with Efficient Proxies [50.39041754816285]
本稿では、下流タスクと特定のモデルの両方にデータ選択を併用する多変数重み学習フレームワークを提案する。提案手法は,GSM8Kのトレーニングサンプルの30%しか使用せず,フルデータセットチューニングに匹敵する性能を実現する。
論文参考訳（メタデータ） (2026-05-10T17:30:16Z)
Time Series Similarity Score Functions to Monitor and Interact with the Training and Denoising Process of a Time Series Diffusion Model applied to a Human Activity Recognition Dataset based on IMUs [0.0]
拡散確率モデルは合成センサー信号を生成できるトレーニングプロセスは、前処理で付加された雑音と拡散モデルで予測された雑音との差を測定する損失関数によって制御される。我々は、複数の類似度指標を調査し、トレーニングと合成プロセスを監視して、この問題を克服するために既存のメトリクスを適用します。
論文参考訳（メタデータ） (2025-05-20T06:38:17Z)
Evaluating Sample Utility for Efficient Data Selection by Mimicking Model Weights [11.237906163959908]
マルチモーダルモデルは、大規模なWebcrawledデータセットでトレーニングされる。これらのデータセットは、しばしばノイズ、バイアス、無関係な情報を含む。 Mimic Score を用いた効率的なモデルベースアプローチを提案する。
論文参考訳（メタデータ） (2025-01-12T04:28:14Z)
Capturing the Temporal Dependence of Training Data Influence [100.91355498124527]
我々は、訓練中にデータポイントを除去する影響を定量化する、軌跡特異的な離脱の影響の概念を定式化する。軌道固有LOOの効率的な近似を可能にする新しい手法であるデータ値埋め込みを提案する。データバリューの埋め込みは、トレーニングデータの順序付けをキャプチャするので、モデルトレーニングのダイナミクスに関する貴重な洞察を提供する。
論文参考訳（メタデータ） (2024-12-12T18:28:55Z)
Distilled Datamodel with Reverse Gradient Matching [74.75248610868685]
オフライントレーニングとオンライン評価段階を含む,データ影響評価のための効率的なフレームワークを提案する。提案手法は, 直接再学習法と比較して, プロセスの大幅な高速化を図りながら, 同等のモデル行動評価を実現する。
論文参考訳（メタデータ） (2024-04-22T09:16:14Z)
SeNM-VAE: Semi-Supervised Noise Modeling with Hierarchical Variational Autoencoder [13.453138169497903]
SeNM-VAEは、ペアとアンペアの両方のデータセットを利用して、現実的な劣化データを生成する半教師付きノイズモデリング手法である。実世界の画像認識と超分解能タスクのためのペアトレーニングサンプルを生成するために,本手法を用いた。提案手法は, 合成劣化画像の品質を, 他の不対とペアのノイズモデリング法と比較して向上させる。
論文参考訳（メタデータ） (2024-03-26T09:03:40Z)
Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文参考訳（メタデータ） (2024-03-11T16:22:41Z)
Analyze the Robustness of Classifiers under Label Noise [5.708964539699851]
教師付き学習におけるラベルノイズは、誤ったラベルまたは不正確なラベルによって特徴づけられ、モデル性能を著しく損なう。本研究は, ラベルノイズが実用的応用に与える影響について, ますます関連する問題に焦点をあてる。
論文参考訳（メタデータ） (2023-12-12T13:51:25Z)
Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks [91.15120211190519]
本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
論文参考訳（メタデータ） (2023-09-29T06:18:15Z)
Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
論文参考訳（メタデータ） (2023-05-23T12:56:01Z)
Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文参考訳（メタデータ） (2022-05-31T22:28:34Z)

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。