論文の概要: Annealed Co-Generation: Disentangling Variables via Progressive Pairwise Modeling

• arxiv url: http://arxiv.org/abs/2603.06615v1
• Date: Fri, 20 Feb 2026 07:42:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.438932
• Title: Annealed Co-Generation: Disentangling Variables via Progressive Pairwise Modeling
• Title（参考訳）: Annealed Co-Generation: 段階的ペアワイズモデリングによる変数の分離
• Authors: Hantao Zhang, Jieke Wu, Mingda Xu, Xiao Hu, Yingxuan You, Pascal Fua,
• Abstract要約: 本稿では,高次元拡散モデリングを低次元拡散モデルに置き換えたAnnealed Co-Generationフレームワークを提案する。 2つの異なる科学的課題に対して,フレームワークの柔軟性と有効性を示す。
• 参考スコア（独自算出の注目度）: 29.29369402735124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For multivariate co-generation in scientific applications, we advocate pairwise block rather than joint modeling of all variables. This design mitigates the computational burden and data imbalance. To this end, we propose an Annealed Co-Generation (ACG) framework that replaces high-dimensional diffusion modeling with a low-dimensional diffusion model, which enables multivariate co-generation by composing pairwise variable generations. We first train an unconditional diffusion model over causal variables that are disentangled into pairs. At inference time, we recover the joint distribution by coupling these pairwise models through shared common variables, enabling coherent multivariate generation without any additional training. By employing a three-stage annealing process-Consensus, Heating, and Cooling-our method enforces consistency across shared common variables and progressively constrains each pairwise data distribution to lie on a learnable manifold, while maintaining high likelihood within each pair. We demonstrate the framework's flexibility and efficacy on two distinct scientific tasks: flow-field completion and antibody generation. All datasets and code will be made publicly available upon publication.
• Abstract（参考訳）: 科学的応用における多変量コジェネレーションでは、すべての変数の共役モデルではなく、ペアワイズブロックを提唱する。 この設計は計算負担とデータの不均衡を軽減する。 そこで本研究では,高次元拡散モデリングを低次元拡散モデルに置き換えたAnnealed Co-Generation(ACG)フレームワークを提案する。 まず、ペアに絡み合う因果変数の非条件拡散モデルを訓練する。 共振器の共振器を共振器と共振器の共振器と共振器の共振器と共振器の共振器の共振器と共振器の共振器の共振器の共振器と共振器の共振器の共振器と共振器の共振器の共振器と共振器の共振器と共振器の共振器の共振器と共振器の共振器の共振器と共振器の共振器の共振器の共振器と共振器の共振器の共振器の共振器と共振器の共振器の共振器と共振器の共振器の共振器の共振器の共振器の共振器 3段階のアニール法、ヒーティング法、クーリング法を用いることで、共有共通変数間の一貫性を強制し、各ペアのデータ分布を学習可能な多様体上に配置し、各ペア内で高い可能性を維持しながら、段階的に制約する。 本研究では,フローフィールド完了と抗体生成という2つの異なる科学的課題に対して,フレームワークの柔軟性と有効性を示す。 すべてのデータセットとコードは公開時に公開される。

関連論文リスト

• Cross-Modal Alignment via Variational Copula Modelling [54.25504956780864]
  複数のモーダルから様々な情報を集約するマルチモーダル学習手法を開発することが不可欠である。 既存の方法は主に連結やクロネッカー積に依存し、モジュラリティ間の相互作用構造を単純化する。 そこで本研究では,様々なモーダルの連成分布の学習に焦点を当てた,コプラ駆動型マルチモーダル学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T05:28:28Z)
• Composition and Alignment of Diffusion Models using Constrained Learning [79.36736636241564]
  拡散モデルは、複雑な分布からサンプルを採取する能力により、生成的モデリングにおいて普及している。 i) 拡散モデルを微調整して報酬と整合させるアライメントと、(ii) 予め訓練された拡散モデルを組み合わせて、それぞれが生成した出力に望ましい属性を強調する合成である。 本稿では,共役モデルが報酬制約を満たすこと,あるいは(潜在的に複数の)事前学習モデルに近づき続けることを強制することによって,拡散モデルのアライメントと構成を統一する制約付き最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T15:06:30Z)
• Bridging the inference gap in Mutimodal Variational Autoencoders [6.246098300155483]
  マルチモーダル変分オートエンコーダは、観測されたモダリティから観測されていないモダリティを生成するための多目的でスケーラブルな方法を提供する。 エキスパートの混合集合を用いた最近のモデルは、複雑なデータセットにおける生成品質を制限する理論的に基礎的な制限に悩まされている。 本稿では,混合アグリゲーションを導入することなく,結合分布と条件分布の両方を学習できる新しい解釈可能なモデルを提案する。
  論文  参考訳（メタデータ） (2025-02-06T10:43:55Z)
• Linear combinations of latents in generative models: subspaces and beyond [42.2447773012392]
  本稿では,LOL(Latent Optimal Linear combinations)を提案する。 LOLは実装が容易で、線形結合を形成するというより広いタスクに自然に対処します。 これは、高次元オブジェクトの表現的低次元表現の作成を劇的に単純化する。
  論文  参考訳（メタデータ） (2024-08-16T06:43:58Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• InterHandGen: Two-Hand Interaction Generation via Cascaded Reverse Diffusion [53.90516061351706]
  両手インタラクションに先立って生成を学習する新しいフレームワークであるInterHandGenを提案する。 サンプリングにアンチペネティフィケーションと合成フリーガイダンスを組み合わせることで、プラウシブルな生成を可能にする。 本手法は, 妥当性と多様性の観点から, ベースライン生成モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-03-26T06:35:55Z)
• Learning Joint Latent Space EBM Prior Model for Multi-layer Generator [44.4434704520236]
  多層ジェネレータモデルの学習における基礎的問題について検討する。 本稿では,全層にまたがる待ち行列空間上のエネルギーモデル (EBM) を提案する。 実験により、学習したモデルが高品質な画像を生成する際に表現できることが実証された。
  論文  参考訳（メタデータ） (2023-06-10T00:27:37Z)
• High-Dimensional Undirected Graphical Models for Arbitrary Mixed Data [2.2871867623460207]
  多くのアプリケーションでは、データは異なるタイプの変数にまたがる。 最近の進歩は、バイナリ連続ケースにどのように取り組めるかを示しているが、一般的な混合変数型構造は依然として困難である。 完全混合型の変数を持つデータに対して,フレキシブルでスケーラブルな手法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:21:31Z)

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。