Fugu-MT 論文翻訳(概要): Conservative Flows: A New Paradigm of Generative Models

論文の概要: Conservative Flows: A New Paradigm of Generative Models

arxiv url: http://arxiv.org/abs/2605.06905v1
Date: Thu, 07 May 2026 20:06:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-11 19:43:38.596224
Title: Conservative Flows: A New Paradigm of Generative Models
Title（参考訳）: 保守的なフロー: 生成モデルの新しいパラダイム
Authors: Eshed Gal, Md Shahriar Rahim Siddiqui, Moshe Eliasof, Eldad Haber,
Abstract要約: 本稿では,データ分散不変性を残した離散力学によって生成が実行される代替パラダイムを提案する。我々は,既存のチェックポイント上で直接動作する2つの確率保存型サンプリング機構,調整付きLangevinダイナミックスと予測器・コレクタフローを開発した。我々は,このフレームワークを合成スイスロールターゲットであるImageNet-256とOxford Flowers-102上で検証した。
参考スコア（独自算出の注目度）: 17.481852615249124
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modern generative modeling is dominated by transport from a noise prior to data. We propose an alternative paradigm in which generation is performed by a discrete stochastic dynamics that leaves the data distribution invariant, initialized from data-supported states rather than from noise. The framework can utilize any pretrained flow model. We develop two probability-preserving sampling mechanisms, a corrected Langevin dynamics with a Metropolis adjustment and a predictor-corrector flow, that operate directly on existing checkpoints. We validate the framework on a synthetic Swiss-roll target, ImageNet-256 and Oxford Flowers-102, where our samplers consistently improve over the original generation procedures.
Abstract（参考訳）: 現代の生成モデリングは、データの前にノイズからの輸送によって支配される。本稿では、ノイズからではなく、データ支援状態から初期化したデータ分散不変性を残した離散確率力学によって生成が実行される代替パラダイムを提案する。このフレームワークは、任意の事前訓練されたフローモデルを利用することができる。本研究では,2つの確率保存型サンプリング機構,メトロポリス調整によるLangevinダイナミックスと,既存のチェックポイント上で直接動作する予測器・コレクタフローを開発する。我々は,このフレームワークを合成スイスロールターゲットであるImageNet-256とOxford Flowers-102上で検証した。

関連論文リスト

Generative models for decision-making under distributional shift [19.065806786298534]
このチュートリアルでは、決定関連分布を構築するための数学的ツールとして、現代的な生成モデル、特にフローおよびスコアに基づく手法を提示する。我々は、プッシュフォワード写像、連続性、フォッカー・プランク方程式、ワッサーシュタイン幾何学、確率空間の最適化に基づく統一的なフレームワークを提案する。
論文参考訳（メタデータ） (2026-04-06T01:35:13Z)
Trust-Region Noise Search for Black-Box Alignment of Diffusion and Flow Models [46.98480905892642]
信頼領域に基づく検索アルゴリズム(TRS)は、事前訓練された生成モデルと報酬モデルをブラックボックスとして扱う。我々は,テキスト・ツー・イメージ,分子・タンパク質設計タスクにおけるTRSを評価し,出力サンプルを著しく改善した。
論文参考訳（メタデータ） (2026-03-15T17:37:38Z)
Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。 i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
論文参考訳（メタデータ） (2025-12-09T06:26:02Z)
Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
論文参考訳（メタデータ） (2025-08-25T02:55:42Z)
TransDiffuser: Diverse Trajectory Generation with Decorrelated Multi-modal Representation for End-to-end Autonomous Driving [20.679370777762987]
エンコーダデコーダに基づく生成軌道計画モデルであるTransDiffuserを提案する。単純なマルチモーダル表現デコレーションのデノナイジング過程におけるデコレーション最適化機構を利用する。 TransDiffuserは、クローズドループ計画指向ベンチマークNAVSIMで94.85のPDMSを達成する。
論文参考訳（メタデータ） (2025-05-14T12:10:41Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
Bayesian Flow Networks [4.197165999892042]
本稿では,ベイジアン・フロー・ネットワーク(BFN)について述べる。ベイジアン・フロー・ネットワーク(BFN)は,独立分布の集合のパラメータをベイジアン推論で修正した新しい生成モデルである。単純な事前および反復的な2つの分布の更新から始めると、拡散モデルの逆過程に似た生成手順が得られる。 BFNは動的にバイナライズされたMNISTとCIFAR-10で画像モデリングを行うために競合するログライクフレーションを実現し、text8文字レベルの言語モデリングタスクにおいて既知のすべての離散拡散モデルより優れている。
論文参考訳（メタデータ） (2023-08-14T09:56:35Z)
DiffusER: Discrete Diffusion via Edit-based Reconstruction [88.62707047517914]
DiffusERは、拡散モデルに基づくテキストの編集ベースの生成モデルである。機械翻訳、要約、スタイル転送にまたがるいくつかのタスクにおいて、自動回帰モデルと競合する可能性がある。また、標準的な自己回帰モデルに適さないような、他の種類の世代も実行することができる。
論文参考訳（メタデータ） (2022-10-30T16:55:23Z)
Discrete Denoising Flows [87.44537620217673]
分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
論文参考訳（メタデータ） (2021-07-24T14:47:22Z)
Oops I Took A Gradient: Scalable Sampling for Discrete Distributions [53.3142984019796]
このアプローチは、多くの困難な設定において、ジェネリックサンプリングよりも優れていることを示す。また,高次元離散データを用いた深部エネルギーモデルトレーニングのための改良型サンプリング器についても実演した。
論文参考訳（メタデータ） (2021-02-08T20:08:50Z)
Variational Mixture of Normalizing Flows [0.0]
生成逆数ネットワークオートサイトGAN、変分オートエンコーダオートサイトベイペーパー、およびそれらの変種などの深い生成モデルは、複雑なデータ分布をモデル化するタスクに広く採用されている。正規化フローはこの制限を克服し、確率密度関数にそのような公式の変更を利用する。本研究は,混合モデルのコンポーネントとして正規化フローを用い,そのようなモデルのエンドツーエンドトレーニング手順を考案することによって,この問題を克服する。
論文参考訳（メタデータ） (2020-09-01T17:20:08Z)

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。