論文の概要: A Flow Matching Algorithm for Many-Shot Adaptation to Unseen Distributions

• arxiv url: http://arxiv.org/abs/2605.06272v1
• Date: Thu, 07 May 2026 13:47:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.857686
• Title: A Flow Matching Algorithm for Many-Shot Adaptation to Unseen Distributions
• Title（参考訳）: マンショット分布適応のためのフローマッチングアルゴリズム
• Authors: Tyler Ingebrand, Ruihan Zhao, Kushagra Gupta, David Fridovich-Keil, Sandeep P. Chinchali, Ufuk Topcu,
• Abstract要約: FP-FMは、トレーニング分布の集合に対応する速度場にまたがる基底関数を学習する。 単純な最小二乗射影をこの基底に計算することで、新しい分布に適応する。 合成データセットと画像ベースデータセットのベースラインに対する精度とリコールを大幅に向上させる。
• 参考スコア（独自算出の注目度）: 22.125693648279974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While generative modeling has achieved remarkable success on tasks like natural language-conditioned image generation, enabling model adaptation from example data points remains a relatively underexplored and challenging problem. To this end, we propose Function Projection for Flow Matching (FP-FM), an algorithm that directly conditions generation on samples from the target distribution. FP-FM learns basis functions to span the velocity fields corresponding to a set of training distributions, and adapts to new distributions by computing a simple least-squares projection onto this basis. This enables efficient generation of samples from diverse target distributions without additional training at inference time. We further introduce multiple variants of FP-FM that provide a trade-off in expressivity and compute by enriching the coefficient calculation, e.g., by making the coefficients dependent on time. FP-FM achieves greatly improved precision and recall relative to baselines across synthetic and image-based datasets, with especially strong gains on unseen distributions.
• Abstract（参考訳）: 生成的モデリングは、自然言語条件の画像生成のようなタスクで顕著に成功しているが、例データポイントからのモデル適応を可能にすることは、比較的過小評価され難解な問題である。 そこで本研究では,FP-FM(Function Projection for Flow Matching)を提案する。 FP-FMは、一連のトレーニング分布に対応する速度場にまたがる基底関数を学習し、この基底に単純な最小二乗射影を計算することで新しい分布に適応する。 これにより、推論時に追加のトレーニングをすることなく、多様なターゲット分布から効率的にサンプルを生成することができる。 さらに、FP-FMの複数の変種を導入し、係数計算、例えば、係数を時間に依存するようにすることで、表現性のトレードオフを提供し、計算する。 FP-FMは、合成データセットと画像ベースデータセットのベースラインに対する精度とリコールを大幅に向上させ、特に目に見えない分布に強い利益をもたらす。

関連論文リスト

• Low-Dimensional Adaptation of Rectified Flow: A New Perspective through the Lens of Diffusion and Stochastic Localization [59.04314685837778]
  整流流(RF)は、その生成効率と最先端の性能からかなりの人気を得ている。 本稿では,RFがターゲット分布の支持の内在的低次元性に自動的に適応し,サンプリングを高速化する程度について検討する。 時間分割方式を慎重に設計し,十分な正確なドリフト推定を行うことで,RFサンプリング器はオーダーO(k/varepsilon)$の複雑さを享受できることを示す。
  論文  参考訳（メタデータ） (2026-01-21T22:09:27Z)
• Adaptive Symmetrization of the KL Divergence [10.632997610787207]
  機械学習における多くのタスクは、有限個のサンプル集合が与えられた確率分布を学習するために記述または縮小することができる。 一般的なアプローチは、(経験的)データ分布とパラメータ化された分布(例えば、正規化フロー(NF)やエネルギーベースモデル(EBM)との統計的分岐を最小化することである。
  論文  参考訳（メタデータ） (2025-11-14T10:41:59Z)
• Three Forms of Stochastic Injection for Improved Distribution-to-Distribution Generative Modeling [40.63772844645927]
  フローマッチングは任意のデータ分散間の変換をモデル化するための自然なフレームワークを提供する。 本稿では,ソースサンプルとフロー補間剤を摂動させることにより,学習過程に摂動を注入する,シンプルで効率的な手法を提案する。 提案手法は,入力と生成されたサンプル間の輸送コストを低減し,変換の真の効果をより強調する。
  論文  参考訳（メタデータ） (2025-10-08T04:36:34Z)
• Over-the-Air Fair Federated Learning via Multi-Objective Optimization [52.295563400314094]
  本稿では,公平なFLモデルを訓練するためのOTA-FFL(Over-the-air Fair Federated Learning Algorithm)を提案する。 OTA-FFLの公正性とロバストな性能に対する優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2025-01-06T21:16:51Z)
• Generative Assignment Flows for Representing and Learning Joint Distributions of Discrete Data [2.6499018693213316]
  離散確率変数の結合確率分布の表現のための新しい生成モデルを提案する。 このアプローチでは、分解分布の統計部分多様体上のランダム化代入フローによる測度輸送を用いる。
  論文  参考訳（メタデータ） (2024-06-06T21:58:33Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• Achieving Efficiency in Black Box Simulation of Distribution Tails with Self-structuring Importance Samplers [1.6114012813668934]
  本稿では,線形プログラムや整数線形プログラム,ピースワイド線形・二次目的,ディープニューラルネットワークで指定された特徴マップなど,多種多様なツールでモデル化されたパフォーマンス指標の分布を推定する,新しいImportance Smpling(IS)方式を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:37:22Z)
• Feature Quantization Improves GAN Training [126.02828112121874]
  識別器の特徴量子化(FQ)は、真と偽のデータの両方を共有離散空間に埋め込む。 本手法は,既存のGANモデルに容易に接続でき,訓練における計算オーバーヘッドがほとんどない。
  論文  参考訳（メタデータ） (2020-04-05T04:06:50Z)

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。