論文の概要: Generative Inverse Design with Abstention via Diagonal Flow Matching

• arxiv url: http://arxiv.org/abs/2603.15925v1
• Date: Mon, 16 Mar 2026 21:18:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:06.994557
• Title: Generative Inverse Design with Abstention via Diagonal Flow Matching
• Title（参考訳）: 対角流マッチングによる回避を考慮した生成的逆設計
• Authors: Miguel de Campos, Werner Krebs, Hanno Gottschalk,
• Abstract要約: Inverseデザインは、設計パラメータを$x$、ターゲットパフォーマンスを$y*$にすることを目的としている。 標準条件フローマッチング(CFM)は、任意の順序付けとスケーリングに対して強い感度を示し、不安定なトレーニングをもたらす。 対角流マッチング (Diag-CFM) を導入し, 設計座標とノイズ, ラベルを0と組み合わせるゼロアンカリング戦略によってこれを解決した。 これにより、CFMよりもラウンドトリップ精度が向上し、設計次元をまたいだ非可逆ニューラルネットワークベースラインが最大$P=100$になる。
• 参考スコア（独自算出の注目度）: 2.888595212660871
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inverse design aims to find design parameters $x$ achieving target performance $y^*$. Generative approaches learn bidirectional mappings between designs and labels, enabling diverse solution sampling. However, standard conditional flow matching (CFM), when adapted to inverse problems by pairing labels with design parameters, exhibits strong sensitivity to their arbitrary ordering and scaling, leading to unstable training. We introduce Diagonal Flow Matching (Diag-CFM), which resolves this through a zero-anchoring strategy that pairs design coordinates with noise and labels with zero, making the learning problem provably invariant to coordinate permutations. This yields order-of-magnitude improvements in round-trip accuracy over CFM and invertible neural network baselines across design dimensions up to $P{=}100$. We develop two architecture-intrinsic uncertainty metrics, Zero-Deviation and Self-Consistency, that enable three practical capabilities: selecting the best candidate among multiple generations, abstaining from unreliable predictions, and detecting out-of-distribution targets; consistently outperforming ensemble and general-purpose alternatives across all tasks. We validate on airfoil, gas turbine combustor, and an analytical benchmark with scalable design dimension.
• Abstract（参考訳）: 逆設計は、設計パラメータを$x$で目標性能を$y^*$にすることを目的としている。 生成的アプローチは、設計とラベルの間の双方向マッピングを学び、多様なソリューションサンプリングを可能にする。 しかし、標準条件付きフローマッチング(CFM)は、設計パラメータとラベルをペアにすることで逆問題に適応すると、任意の順序付けやスケーリングに対して強い感度を示し、不安定なトレーニングをもたらす。 対角流マッチング(Diag-CFM)を導入し,設計座標をノイズとラベルをゼロと組み合わせるゼロアンカリング戦略によってこれを解き、学習問題を順列の座標に即時不変にする。 これにより、CFMよりもラウンドトリップ精度が向上し、設計次元をまたいだ非可逆ニューラルネットワークベースラインが最大$P{=}100$になる。 アーキテクチャに固有の2つの不確実性指標であるゼロ・ディバイジョンと自己整合性(Self-Consistency)を開発し、複数の世代で最高の候補を選択すること、信頼できない予測を控えること、分布外目標を検出すること、すべてのタスクにおけるアンサンブルと汎用的な代替手段を一貫して上回ること、の3つの実用的な機能を実現している。 本研究では, 翼翼, ガスタービン燃焼器, スケーラブルな設計寸法を持つ解析ベンチマークについて検証した。

関連論文リスト

• GIST: Gauge-Invariant Spectral Transformers for Scalable Graph Neural Operators [9.058225799011545]
  GIST(Gauge-Invariant Spectral Transformers)は、ランダムプロジェクションによるエンドツーエンドの$mathcalO(N)$複雑性を実現する新しいグラフトランスアーキテクチャである。 我々は、GISTが有界ミスマッチ誤りによる離散化不変学習を実現し、ニューラル演算子アプリケーションのための任意のメッシュ解像度間のパラメータ転送を可能にすることを証明した。
  論文  参考訳（メタデータ） (2026-03-17T17:54:26Z)
• How well do generative models solve inverse problems? A benchmark study [2.374976152884002]
  生成学習は低次元条件に基づいて高次元データを生成する。 本研究では,従来のベイズ逆法と,条件付き生成学習モデル,非可逆ニューラルネットワーク,条件付きフローマッチングの3つの状態を比較した。 Conditional Flow Matchingは、競合するすべてのアプローチを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-01-30T18:06:50Z)
• Synthesising Counterfactual Explanations via Label-Conditional Gaussian Mixture Variational Autoencoders [24.716251378991288]
  対実的説明(CE)は、アルゴリズム上の決定によって影響を受ける個人に対して、レコメンデーションのレコメンデーションを提供する。 既存の手法は主に、統一されたモデルに依存しない方法でこれらの多面的要求に対処するのに苦労する。 本稿では,入力の潜時表現から学習した潜時セントロイドへの補間によりCE点の全経路を合成するモデル非依存アルゴリズムであるLAPACEを提案する。
  論文  参考訳（メタデータ） (2025-10-06T14:42:23Z)
• Self-Supervised Any-Point Tracking by Contrastive Random Walks [17.50529887238381]
  我々はグローバルマッチング変換器を訓練し、コントラッシブなランダムウォークを通してビデオを通してサイクル整合性のあるトラックを見つける。 提案手法はTapVidベンチマークで高い性能を達成し,従来の自己教師付きトラッキング手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-24T17:59:56Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Transformers as Support Vector Machines [54.642793677472724]
  自己アテンションの最適化幾何と厳密なSVM問題との間には,形式的等価性を確立する。 勾配降下に最適化された1層変圧器の暗黙バイアスを特徴付ける。 これらの発見は、最適なトークンを分離し選択するSVMの階層としてのトランスフォーマーの解釈を刺激していると信じている。
  論文  参考訳（メタデータ） (2023-08-31T17:57:50Z)
• SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
  非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。 いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
  論文  参考訳（メタデータ） (2023-08-16T14:25:30Z)
• Mixed Integer Neural Inverse Design [27.43272793942742]
  日常的なニューラルネットワークで非常に一般的なピースワイズ線形性は、混合整数線形プログラミングに基づく逆設計の定式化を可能にする。 我々の混合整数逆設計は、大域的最適あるいは近距離最適解を原則的に発見する。
  論文  参考訳（メタデータ） (2021-09-27T09:19:41Z)

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。