Fugu-MT 論文翻訳(概要): Flow Matching with Arbitrary Auxiliary Paths

論文の概要: Flow Matching with Arbitrary Auxiliary Paths

arxiv url: http://arxiv.org/abs/2605.06364v1
Date: Thu, 07 May 2026 14:39:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-08 22:27:11.913495
Title: Flow Matching with Arbitrary Auxiliary Paths
Title（参考訳）: 任意補助経路による流れの整合
Abstract要約: 我々は新しい生成モデリングフレームワークを導入する。 AuxPath-FM - 補助変数を組み込むことで条件付きフローマッチングを一般化する。この構造が連続性方程式を保ち、限界定式化と整合した訓練目標を維持することを理論的に実証する。
参考スコア（独自算出の注目度）: 7.28668585578288
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a new generative modeling framework, \textbf{Flow Matching with Arbitrary Auxiliary Paths (AuxPath-FM)}, which generalizes conditional flow matching by incorporating an auxiliary variable drawn from an arbitrary distribution into the probability path. Unlike prior methods that restrict auxiliary components to Gaussian noise, AuxPath-FM allows the variable $η$ to follow any distribution, producing trajectories of the form $X_t = a(t)X_1 + b(t)X_0 + c(t)η$. We theoretically demonstrate that this construction preserves the continuity equation and maintains a training objective consistent with the marginal formulation. This flexibility enables the design of diverse probability paths using various priors, including Gaussian, Uniform, Laplace, and discrete Rademacher distributions, each offering unique geometric properties for generative flows. Furthermore, our framework allows for specialized tasks such as label-guided generation by encoding structured semantic information into the auxiliary distribution. Overall, AuxPath-FM provides a principled and general foundation for probability path design, offering both theoretical generality and practical flexibility for diverse generative modeling tasks.
Abstract（参考訳）: 本稿では、任意の分布から引き出された補助変数を確率経路に組み込むことで条件付きフローマッチングを一般化する、新しい生成モデリングフレームワークである \textbf{Flow Matching with Arbitrary Auxiliary Paths (AuxPath-FM)}を提案する。補助成分をガウスノイズに制限する以前の方法とは異なり、AuxPath-FM は変数 $η$ を任意の分布に従うことができ、$X_t = a(t)X_1 + b(t)X_0 + c(t)η$ という形の軌跡を生成する。この構造が連続性方程式を保ち、限界定式化と整合した訓練目標を維持することを理論的に実証する。この柔軟性により、ガウス、ユニフォーム、ラプラス、離散ラデマッハ分布など、様々な先例を用いて様々な確率パスを設計することができ、それぞれが生成フローにユニークな幾何学的性質を提供する。さらに,本フレームワークは,構造化意味情報を補助分布にエンコードすることで,ラベル誘導生成などの特殊なタスクを可能にする。全体として、AuxPath-FMは確率パス設計の原則的で一般的な基盤を提供し、様々な生成的モデリングタスクに理論上の一般化と実用的柔軟性を提供する。

関連論文リスト

Path-independent Flow Matching for Multi-parameter Generative Dynamics [20.17003334097635]
経路非依存フローマッチング (PiFM) は, 誘導フローが分布間の経路非依存輸送をもたらすベクトル場を学習する手法である。 PiFMは、構造条件を強制しながら、フローマッチングを高次元パラメータ領域に一般化する。経路独立トラジェクトリの補間や,所望の分布サンプルの生成において,PiFMは,合成データと実世界のデータの両方において,他の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2026-05-13T13:12:50Z)
Stream-level flow matching with Gaussian processes [4.935875591615496]
条件付きフローマッチング(CFM)は、連続正規化フロー(CNF)を適合させる訓練アルゴリズムの一群である。我々は、ストリームに沿った条件付き確率パス、ソースとターゲットのデータペアを接続する遅延パスのインスタンスを定義することで、CFMアルゴリズムを拡張した。本研究では, CFMの一般化により, 推定限界ベクトル場の分散を適度な計算コストで効果的に低減できることを示す。
論文参考訳（メタデータ） (2024-09-30T15:47:22Z)
Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion [61.03681839276652]
拡散強制(Diffusion Forcing)は、拡散モデルをトレーニングし、トークンの集合に独立した音レベルを付与する、新たなトレーニングパラダイムである。因果的次トーケン予測モデルを訓練して1つまたは複数の未来のトークンを生成することで、シーケンス生成モデルに拡散強制を適用する。
論文参考訳（メタデータ） (2024-07-01T15:43:25Z)
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)
Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文参考訳（メタデータ） (2023-05-30T19:16:44Z)
Ensemble Multi-Quantiles: Adaptively Flexible Distribution Prediction for Uncertainty Quantification [4.728311759896569]
本稿では,機械学習における不確実性を定量化するために,分布予測の新しい,簡潔かつ効果的な手法を提案する。これは回帰タスクにおいて$mathbbP(mathbfy|mathbfX=x)$の適応的に柔軟な分布予測を組み込む。 UCIデータセットからの大規模な回帰タスクでは、EMQが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2022-11-26T11:45:32Z)
Matching Normalizing Flows and Probability Paths on Manifolds [57.95251557443005]
連続正規化フロー (Continuous Normalizing Flows, CNFs) は、常微分方程式(ODE)を解くことによって、先行分布をモデル分布に変換する生成モデルである。我々は,CNFが生成する確率密度パスと目標確率密度パスとの間に生じる新たな分岐系であるPPDを最小化して,CNFを訓練することを提案する。 PPDの最小化によって得られたCNFは、既存の低次元多様体のベンチマークにおいて、その可能性とサンプル品質が得られることを示す。
論文参考訳（メタデータ） (2022-07-11T08:50:19Z)
Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
論文参考訳（メタデータ） (2022-04-20T21:25:21Z)
Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文参考訳（メタデータ） (2022-04-02T06:32:19Z)
GFlowNet Foundations [66.69854262276391]
Generative Flow Networks (GFlowNets) は、多様な候補をアクティブな学習コンテキストでサンプリングする方法として導入された。 GFlowNetのさらなる理論的性質について述べる。
論文参考訳（メタデータ） (2021-11-17T17:59:54Z)

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。