論文の概要: Attraction, Repulsion, and Friction: Introducing DMF, a Friction-Augmented Drifting Model

• arxiv url: http://arxiv.org/abs/2604.18194v1
• Date: Mon, 20 Apr 2026 12:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.869347
• Title: Attraction, Repulsion, and Friction: Introducing DMF, a Friction-Augmented Drifting Model
• Title（参考訳）: 摩擦強化ドリフトモデルDMFの導入
• Authors: Arkadii Kazanskii, Tatiana Petrova, Konstantin Bagrianskii, Aleksandr Puzikov, Radu State,
• Abstract要約: 線形スケジューリングされた摩擦が誤差軌道上の有限水平境界を与えることを示す。 我々の摩擦増強モデルDMFは、FFHQ係数の成人と子どものドメイン翻訳に基づいて最適なフローマッチングを行う。
• 参考スコア（独自算出の注目度）: 37.847379736905175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drifting Models [Deng et al., 2026] train a one-step generator by evolving samples under a kernel-based drift field, avoiding ODE integration at inference. The original analysis leaves two questions open. The drift-field iteration admits a locally repulsive regime in a two-particle surrogate, and vanishing of the drift ($V_{p,q}\equiv 0$) is not known to force the learned distribution $q$ to match the target $p$. We derive a contraction threshold for the surrogate and show that a linearly-scheduled friction coefficient gives a finite-horizon bound on the error trajectory. Under a Gaussian kernel we prove that the drift-field equilibrium is identifiable: vanishing of $V_{p,q}$ on any open set forces $q=p$, closing the converse of Proposition 3.1 of Deng et al. Our friction-augmented model, DMF (Drifting Model with Friction), matches or exceeds Optimal Flow Matching on FFHQ adult-to-child domain translation at 16x lower training compute.
• Abstract（参考訳）: ドリフトモデル [Deng et al , 2026] は、カーネルベースのドリフトフィールドの下でサンプルを進化させ、推論時のODE統合を避けることで、ワンステップジェネレータを訓練する。 オリジナルの分析では2つの質問が開かれている。 ドリフトフィールドの反復は、2粒子サロゲートの局所的な反発的状態を認め、ドリフト(V_{p,q}\equiv 0$)の消滅は、学習された分布に$q$を強制して目標の$p$と一致するように強制することが知られていない。 我々は、サロゲートの収縮閾値を導出し、線形スケジューリングされた摩擦係数が誤差軌道上の有限水平境界を与えることを示す。 任意の開集合の力に対して$V_{p,q}$を消滅し、$q=p$、Deng et alの命題3.1の逆を閉じる DMF (Drifting Model with Friction) は、FFHQの成人から子供へのドメイン翻訳における最適フローマッチングを16倍の訓練計算で一致させる。

関連論文リスト

• Sinkhorn-Drifting Generative Models [27.763380775285466]
  シンクホーンの発散に伴う「漂流」生成ダイナミクスと勾配流 ドリフトはカーネル温度に対する感受性を低下させ、生成品質を1段階改善する。 これらの理論的な利得は、実践における高温の強い改善につながっている。
  論文  参考訳（メタデータ） (2026-03-12T18:33:36Z)
• Generative Drifting is Secretly Score Matching: a Spectral and Variational Perspective [33.2175112734242]
  ドリフトによる生成モデリングは、カーネルベースのドリフト演算子を通じて最先端のワンステップ画像生成を実現した。 ガウス核の下では、ドリフト作用素はちょうど滑らかな分布のスコア差である。
  論文  参考訳（メタデータ） (2026-03-10T17:30:35Z)
• Approximation of diffeomorphisms for quantum state transfers [49.1574468325115]
  制御理論における2つの新たな視点を組み合わそうとしている。 トーラスに作用するバイリニア型Schr"odinger PDEにおいて、状態遷移を短時間で駆動する制御法則を数値的に見つける。
  論文  参考訳（メタデータ） (2025-03-18T17:28:59Z)
• Theoretical guarantees in KL for Diffusion Flow Matching [9.618473763561418]
  Flow Matching (FM) は、ターゲット分布 $nustar$ を補助分布 $mu$ で有限時間にブリッジすることを目的としている。 ブラウン運動に付随する条件分布を橋渡しする拡散フローマッチング(DFM)モデルの非漸近保証を得る。
  論文  参考訳（メタデータ） (2024-09-12T15:19:00Z)
• Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
  シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。 本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。 特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
  論文  参考訳（メタデータ） (2023-07-07T15:42:35Z)
• Poisson Flow Generative Models [9.843778728210427]
  ポアソンフロー」生成モデルは、高次元半球上の一様分布を任意のデータ分布にマッピングする。 PFGM は CIFAR-10 上での正規化フローモデルの中で現在の最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T17:26:58Z)
• Extended Falicov-Kimball model: Hartree-Fock vs DMFT approach [0.0]
  ハーツリー・フォック・アプローチ(HFA)におけるハーフフィリングにおけるファリコフ・キンボールモデルの拡張について検討する。 モデルの基底状態特性のHFA記述は、DMFTの正確な解と等価であることを示す。
  論文  参考訳（メタデータ） (2020-11-15T10:43:55Z)

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。