論文の概要: The Amazing Stability of Flow Matching

• arxiv url: http://arxiv.org/abs/2604.16079v1
• Date: Fri, 17 Apr 2026 14:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.944088
• Title: The Amazing Stability of Flow Matching
• Title（参考訳）: フローマッチングの驚くべき安定性
• Authors: Rania Briq, Michael Kamp, Ohad Fried, Sarel Cohen, Stefan Kesselheim,
• Abstract要約: 本稿では,特定のアーキテクチャと大規模なトレーニングデータセットが,Emphflow-matchingモデルによって生成されたサンプルの品質と多様性に与える影響について検討する。 驚くべきことに、私たちのCelebA-HQデータセットに関する実験では、データセットの50%をプルーニングしても、フローマッチングは安定している。 本研究の結果は, この安定性が実際にどれだけ強いのかを定量化し, 様々な摂動下での流れマッチングモデルの信頼性を説明するのに役立つ。
• 参考スコア（独自算出の注目度）: 16.778525121536074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The success of deep generative models in generating high-quality and diverse samples is often attributed to particular architectures and large training datasets. In this paper, we investigate the impact of these factors on the quality and diversity of samples generated by \emph{flow-matching} models. Surprisingly, in our experiments on CelebA-HQ dataset, flow matching remains stable even when pruning 50\% of the dataset. That is, the quality and diversity of generated samples are preserved. Moreover, pruning impacts the latent representation only slightly, that is, samples generated by models trained on the full and pruned dataset map to visually similar outputs for a given seed. We observe similar stability when changing the architecture or training configuration, such that the latent representation is maintained under these changes as well. Our results quantify just how strong this stability can be in practice, and help explain the reliability of flow-matching models under various perturbations.
• Abstract（参考訳）: 高品質で多様なサンプルを生成するための深い生成モデルの成功は、しばしば特定のアーキテクチャや大規模なトレーニングデータセットに起因する。 本稿では,これらの要因が<emph{flow-matching}モデルによって生成されたサンプルの品質と多様性に与える影響について検討する。 驚いたことに、私たちがCelebA-HQデータセットで行った実験では、データセットの50%をプルーニングしても、フローマッチングは安定している。 すなわち、生成したサンプルの品質と多様性が保存される。 さらに、プルーニングは潜在表現にわずかに影響を与え、すなわち、フルおよびプルーニングデータセットマップでトレーニングされたモデルによって生成されたサンプルから、与えられたシードに対して視覚的に類似した出力が生成される。 アーキテクチャやトレーニングの設定を変更する際にも同様の安定性を観察する。 本研究の結果は, この安定性が実際にどれだけ強いのかを定量化し, 様々な摂動下での流れマッチングモデルの信頼性を説明するのに役立つ。

関連論文リスト

• Outlier Gradient Analysis: Efficiently Identifying Detrimental Training Samples for Deep Learning Models [24.073260299592675]
  本稿では,影響関数と外乱勾配検出による有害トレーニングサンプルの同定とを橋渡しする。 まず, 合成データセットにおける外乱勾配解析手法の仮説を検証した。 次に、視覚モデルにおける誤ラベルサンプルの検出と、自然言語処理トランスフォーマーモデルの性能向上のためのデータサンプル選択の有効性を示す。
  論文  参考訳（メタデータ） (2024-05-06T21:34:46Z)
• Continuous Diffusion for Mixed-Type Tabular Data [2.7992435001846827]
  混合型タブラリデータのための連続拡散モデルCDTDを提案する。 連続的特徴とカテゴリー的特徴の両方に統一された連続的雑音分布を付与するスコアマッチングとスコアの新たな組み合わせに基づいている。 実験の結果,CDTDは最先端のベンチマークモデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2023-12-16T12:21:03Z)
• Class-Balancing Diffusion Models [57.38599989220613]
  クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。 提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-30T20:00:14Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Learning perturbation sets for robust machine learning [97.6757418136662]
  我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。 学習した摂動集合の質を定量的かつ質的に測定する。 我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-07-16T16:39:54Z)

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。