論文の概要: COT-FM: Cluster-wise Optimal Transport Flow Matching

• arxiv url: http://arxiv.org/abs/2603.13395v1
• Date: Wed, 11 Mar 2026 13:52:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.16001
• Title: COT-FM: Cluster-wise Optimal Transport Flow Matching
• Title（参考訳）: COT-FM:クラスタワイズ最適輸送流整合
• Abstract要約: フローマッチングモデルは、しばしばランダムまたはバッチの結合による曲線軌道を生成する。 COT-FMは、ターゲットサンプルをクラスタ化し、各クラスタに専用のソースディストリビューションを割り当てることで、この問題を修正する。 プラグアンドプレイのアプローチとして、COT-FMは一貫してサンプリングを加速し、2Dデータセット、画像生成ベンチマーク、ロボット操作タスクにおける生成品質を改善する。
• 参考スコア（独自算出の注目度）: 5.771040439456201
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce COT-FM, a general framework that reshapes the probability path in Flow Matching (FM) to achieve faster and more reliable generation. FM models often produce curved trajectories due to random or batchwise couplings, which increase discretization error and reduce sample quality. COT-FM fixes this by clustering target samples and assigning each cluster a dedicated source distribution obtained by reversing pretrained FM models. This divide-and-conquer strategy yields more accurate local transport and significantly straighter vector fields, all without changing the model architecture. As a plug-and-play approach, COT-FM consistently accelerates sampling and improves generation quality across 2D datasets, image generation benchmarks, and robotic manipulation tasks.
• Abstract（参考訳）: 我々は,より高速で信頼性の高い生成を実現するために,フローマッチング(FM)の確率パスを再評価する一般的なフレームワークであるCOT-FMを紹介する。 FMモデルは、しばしばランダムまたはバッチワイズ結合による曲線軌道を生成するため、離散化誤差が増加し、サンプル品質が低下する。 COT-FMは、ターゲットサンプルをクラスタ化して、事前訓練されたFMモデルの逆転によって得られた専用のソース分布を各クラスタに割り当てることで、この問題を修正する。 この分割・対数戦略は、モデルアーキテクチャを変更することなく、より正確な局所輸送と、はるかに直線的なベクトル場をもたらす。 プラグアンドプレイのアプローチとして、COT-FMは一貫してサンプリングを加速し、2Dデータセット、画像生成ベンチマーク、ロボット操作タスクにおける生成品質を改善する。

関連論文リスト

• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Faster Inference of Flow-Based Generative Models via Improved Data-Noise Coupling [69.7108839028336]
  条件付きフローマッチング(CFM)は、連続正規化フローをトレーニングするためのシミュレーション不要な手法である。 LOOM-CFMは、トレーニング時間内にミニバッチ間でこれらの割り当てを保存し、最適化することにより、ミニバッチ最適輸送(OT)の範囲を拡大する新しい手法である。 提案手法は,複数のデータセット間の速度品質トレードオフのサンプリングにおける一貫した改善を示す。
  論文  参考訳（メタデータ） (2026-03-16T13:42:28Z)
• OAT-FM: Optimal Acceleration Transport for Improved Flow Matching [31.693019737039496]
  Flow Matching (FM)は、ノイズからデータへの速度場学習を目的としている。 FM橋と最近の最適加速輸送理論(OAT) 我々は、OAT-FMと呼ばれる改良されたFM法を開発し、理論と実践の両面でその利点を探求する。
  論文  参考訳（メタデータ） (2025-09-29T15:36:27Z)
• Beyond Optimal Transport: Model-Aligned Coupling for Flow Matching [59.972540297208766]
  フローマッチング(FM)は、サンプルをソース分布からターゲット分布へ輸送するベクトル場を学習するモデルを訓練するための効果的なフレームワークである。 本稿では,幾何距離に基づく学習結合を効果的にマッチングするモデル結合結合(MAC)を提案する。 実験により、MACは既存の手法と比較して、数ステップ設定で生成品質と効率を著しく改善することが示された。
  論文  参考訳（メタデータ） (2025-05-29T11:10:41Z)
• DFM: Interpolant-free Dual Flow Matching [0.8192907805418583]
  モデルベクトル場に関する明示的な仮定を伴わない補間自由二重流れマッチング(DFM)手法を提案する。 SMAPによる教師なし異常検出実験は、最大極度またはFM目標で訓練されたCNFと比較して、DFMの利点を示す。
  論文  参考訳（メタデータ） (2024-10-11T20:46:04Z)
• Local Flow Matching Generative Models [19.859984725284896]
  フローマッチング(英: Flow Matching, FM)は、2つの分布を補間する連続的かつ非可逆的な流れを学習するためのシミュレーション不要な手法である。 FMサブモデルのシーケンスを連続的に学習するLFM(Local Flow Matching)と呼ばれるステップワイズFMモデルを提案する。 FMと比較して, LFMの訓練効率と競争的生成性能の改善を実証的に実証した。
  論文  参考訳（メタデータ） (2024-10-03T14:53:10Z)
• Consistency Flow Matching: Defining Straight Flows with Velocity Consistency [97.28511135503176]
  本稿では,速度場の自己整合性を明示する新しいFM法であるConsistency Flow Matching(Consistency-FM)を紹介する。 予備実験により、一貫性FMは、一貫性モデルよりも4.4倍速く収束することにより、トレーニング効率を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-07-02T16:15:37Z)
• Straighter Flow Matching via a Diffusion-Based Coupling Prior [29.38872850098043]
  フローマッチング(StraightFM)のストレートトラジェクトリを提案する。 分散レベル全体からの結合戦略でトラジェクトリを直線化する。 画素空間と潜伏空間の実験結果から、StraightFMは5段階以内で魅力的なサンプルが得られることが示された。
  論文  参考訳（メタデータ） (2023-11-28T06:19:30Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)

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。