論文の概要: On the Role of Strain and Vorticity in Numerical Integration Error for Flow Matching
- arxiv url: http://arxiv.org/abs/2605.06680v1
- Date: Wed, 22 Apr 2026 21:34:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 12:34:33.675455
- Title: On the Role of Strain and Vorticity in Numerical Integration Error for Flow Matching
- Title（参考訳）: 流れマッチングにおける数値積分誤差におけるひずみと渦の役割について
- Abstract要約: フローマッチングは、学習した速度場を統合することによってデータを生成する。
速度ジャコビアンを対称部分Sに分解することにより、速度場のどの特性が積分誤差を支配するかを分析する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Flow matching generates data by integrating a learned velocity field, where the number of integration steps (NFE) directly determines inference cost. We analyze which properties of the velocity field govern integration error by decomposing the velocity Jacobian into its symmetric part S (strain rate) and antisymmetric part Omega (vorticity). We prove that strain and vorticity play different roles: strain controls exponential error amplification through the logarithmic norm, while vorticity contributes only linearly to the local truncation error. We further show that the optimal transport velocity field is irrotational and has zero material derivative, implying second-order Euler accuracy; for exact displacement interpolation, the associated Lagrangian particle dynamics are integrated exactly by Euler. Motivated by this analysis, we study weighted Jacobian regularization with strain weight alpha and vorticity weight beta. Experiments on 2D synthetic data confirm the main theoretical predictions, showing up to 2.7x lower integration error at NFE=5. Preliminary CIFAR-10 experiments show consistent trends, with a lightweight fine-tuning procedure improving FID by 14 percent at NFE=10 while preserving high-NFE quality.
- Abstract（参考訳）: フローマッチングは、学習速度場を統合してデータを生成し、統合ステップの数(NFE)が推論コストを直接決定する。
速度ジャコビアンをその対称部分S(ひずみ速度)と反対称部分Omega(渦性)に分解することにより、速度場のどの特性が積分誤差を支配するかを分析する。
ひずみは対数ノルムによる指数的誤差増幅を制御し, 渦は局所的乱れにのみ線形に寄与する。
さらに、最適輸送速度場は不回転であり、材料微分がゼロであることを示し、2階のオイラー精度を示唆し、正確な変位補間のために、関連するラグランジアン粒子動力学は、正確にオイラーによって積分される。
この分析により, ひずみ量αおよび渦度βによる重み付きヤコビ正則化について検討した。
2次元合成データの実験では、NFE=5で2.7倍の低い積分誤差を示す主要な理論予測が確認されている。
予備的なCIFAR-10実験は、NFE=10でFIDを14%改善し、高NFE品質を維持しながら、一貫した傾向を示した。
関連論文リスト
- \ extbf{PLATO}: \emph{Preintegration Learning from Accurate Trajectory Observations} for Neural Inertial Odometry [13.055293475825872]
本稿では,精度の高い軌道観測から得られたtextbfPLATO:emphPreintegration Learningを紹介する。
正確な軌道観測を利用してIMUバイアスダイナミクスを共同学習する可能性に基づくフレームワークである。
調整された二重随伴スキームは、離散不変エラー随伴とバイアスNODEの連続時間随伴とを結合し、メモリ効率の最適化を可能にする。
論文 参考訳（メタデータ） (2026-09-06T07:55:28Z) - K-GMRF: Kinetic Gauss-Markov Random Field for First-Principles Covariance Tracking on Lie Groups [8.489406212619164]
共分散追跡のためのオンライン学習自由フレームワークK-GMRFを提案する。
本手法は, 構造保存型シンプレクティックインテグレータにより伝搬される潜在角速度を駆動するトルクとして観測を解釈する。
理論的には、この2階の力学が一定回転下でゼロ定常誤差を達成することを証明している。
論文 参考訳（メタデータ） (2026-03-20T03:16:36Z) - Physics-informed neural particle flow for the Bayesian update step [0.8220217498103312]
本稿では,物理インフォームド・ニューラル粒子フローを提案する。
制御偏微分方程式(PDE)を損失関数に埋め込むことで、ニューラルネットワークをトレーニングして輸送速度場を近似する。
ニューラルネットワークのパラメータ化は暗黙の正則化器として機能し,解析フローに固有の剛性を緩和することを示した。
論文 参考訳（メタデータ） (2026-02-26T15:10:45Z) - Extracting quantum field theory dynamics from an approximate ground state [0.0]
量子場理論において静的基底状態相関器から情報を抽出する線形プログラミング法を開発した。
真空への変分近似を用いて, 1+1$-dimensional 4$モデルを用いて実験を行った。
結果として生じる質量ギャップは、再正規化されたハミルトン・トランケーションとボレルが仮定する摂動理論と一致する。
論文 参考訳（メタデータ） (2025-12-22T17:25:24Z) - Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。
速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
論文 参考訳（メタデータ） (2025-12-01T05:14:25Z) - Diffusion Models are Molecular Dynamics Simulators [0.0]
バッチ次元に逐次バイアスを付与したデノナイズ拡散サンプリング器が,ランゲヴィン力学を過度に破壊するオイラー・丸山積分器であることを証明した。
各逆消音ステップは、その関連するばね剛性を伴って、ノイズスケジュールとその剛性とで協調して設定された有効時間ステップを有する微分方程式の一段階と解釈することができる。
学習したスコアは、学習したエネルギーの勾配の役割を担い、拡散サンプリングとランゲヴィン時間進化の正確な対応を与える。
論文 参考訳（メタデータ） (2025-11-21T19:48:32Z) - Revisiting Zeroth-Order Optimization: Minimum-Variance Two-Point Estimators and Directionally Aligned Perturbations [57.179679246370114]
乱摂動の分布は, 摂動段差がゼロになる傾向にあるため, 推定子の分散を最小限に抑える。
以上の結果から, 一定の長さを維持するのではなく, 真の勾配に方向を合わせることが可能であることが示唆された。
論文 参考訳（メタデータ） (2025-10-22T19:06:39Z) - On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。
RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。
本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
論文 参考訳（メタデータ） (2024-10-19T02:36:11Z) - Symmetric Mean-field Langevin Dynamics for Distributional Minimax
Problems [78.96969465641024]
平均場ランゲヴィンのダイナミクスを、対称で証明可能な収束した更新で、初めて確率分布に対する最小の最適化に拡張する。
また,時間と粒子の離散化機構について検討し,カオス結果の新たな均一時間伝播を証明した。
論文 参考訳（メタデータ） (2023-12-02T13:01:29Z) - Learning Discretized Neural Networks under Ricci Flow [48.47315844022283]
低精度重みとアクティベーションからなる離散ニューラルネットワーク(DNN)について検討する。
DNNは、訓練中に微分不可能な離散関数のために無限あるいはゼロの勾配に悩まされる。
論文 参考訳（メタデータ） (2023-02-07T10:51:53Z) - Convex Analysis of the Mean Field Langevin Dynamics [49.66486092259375]
平均場ランゲヴィン力学の収束速度解析について述べる。
ダイナミックスに付随する$p_q$により、凸最適化において古典的な結果と平行な収束理論を開発できる。
論文 参考訳（メタデータ） (2022-01-25T17:13:56Z) - Neural Control Variates [71.42768823631918]
ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。
理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。
具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
論文 参考訳（メタデータ） (2020-06-02T11:17:55Z)
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。