論文の概要: Generative Modeling with Flux Matching

• arxiv url: http://arxiv.org/abs/2605.07319v1
• Date: Fri, 08 May 2026 06:28:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.856492
• Title: Generative Modeling with Flux Matching
• Title（参考訳）: フラックスマッチングを用いた生成モデリング
• Authors: Peter Pao-Huang, Xiaojie Qiu, Stefano Ermon,
• Abstract要約: 本稿では、既存のスコアベースモデルをベクトル場のより広範なファミリーに一般化する、生成モデリングの新しいパラダイムであるFlux Matchingを紹介する。 この柔軟性は、スコアマッチングでは学べない生成モデルのクラスを可能にする。 本稿では,Flux Matchingが高次元画像データセットに強く貢献することを示す。
• 参考スコア（独自算出の注目度）: 48.08053461764371
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Flux Matching, a new paradigm for generative modeling that generalizes existing score-based models to a broader family of vector fields that need not be conservative. Rather than requiring the model to equal the data score, the Flux Matching objective imposes a weaker condition that admits infinitely many vector fields whose stationary distribution is the data. This flexibility enables a class of generative models that cannot be learned under score matching, in which inductive biases, structural priors, and properties of the dynamics can be directly imposed or optimized. We show that Flux Matching performs strongly on high-dimensional image datasets and, more importantly, that our added freedom unlocks a range of applications including faster sampling, interpretable and mechanistic models, and dynamics that encode directed dependencies between variables. More broadly, Flux Matching opens a new dimension in generative modeling by turning the vector field itself into a design choice rather than a fixed target. Code is available at https://github.com/peterpaohuang/flux_matching.
• Abstract（参考訳）: 本稿では、既存のスコアベースモデルを保守的でないベクトル場のより広範なファミリに一般化する、生成モデリングの新しいパラダイムであるFlux Matchingを紹介する。 データスコアに等しいモデルを必要とするのではなく、フラックスマッチングの目的は、定常分布がデータである無限に多くのベクトル場を許容する弱い条件を課す。 この柔軟性により、スコアマッチングでは学べない生成モデルのクラスが実現され、帰納的バイアス、構造的事前、ダイナミックスの性質を直接、あるいは最適化することができる。 我々は、Flux Matchingが高次元の画像データセットに強く依存していることを示し、さらに、より高速なサンプリング、解釈可能なメカニスティックモデル、変数間の依存性をエンコードするダイナミックスを含む、幅広いアプリケーションに自由が付与されることを示した。 より広義に言えば、フラックスマッチングはベクトル場自体を固定されたターゲットではなく設計選択に変換することによって生成モデリングの新しい次元を開く。 コードはhttps://github.com/peterpaohuang/flux_matching.comで入手できる。

関連論文リスト

• SetFlow: Generating Structured Sets of Representations for Multiple Instance Learning [0.0]
  表現空間内で直接、複数のインスタンス学習バッグ全体をモデル化する生成アーキテクチャであるSetFlowを紹介します。 最新のMIL-PF分類パイプラインを用いて,大規模なマンモグラフィーベンチマークでSetFlowを評価する。
  論文  参考訳（メタデータ） (2026-03-20T13:29:26Z)
• 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)
• Efficient Flow Matching using Latent Variables [9.363347684114474]
  我々は、texttLatent-CFM$は、最先端のフローマッチングモデルよりも、トレーニングや計算が大幅に少ないため、生成品質が向上していることを示す。 また、物理過程から生じる空間場の生成的モデリングについても検討する。
  論文  参考訳（メタデータ） (2025-05-07T14:59:23Z)
• Promises and Pitfalls of Generative Masked Language Modeling: Theoretical Framework and Practical Guidelines [74.42485647685272]
  GMLM(Generative Masked Language Models)に焦点を当てる。 我々は,マルコフ連鎖の入力として使用されるマスキングにより,データ分布の条件付き確率に適合するモデルを訓練し,モデルからサンプルを抽出する。 我々は,T5モデルを並列デコーディングに適応させ,最小品質の犠牲を伴って機械翻訳における2～3倍の高速化を実現した。
  論文  参考訳（メタデータ） (2024-07-22T18:00:00Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Diffusion bridges vector quantized Variational AutoEncoders [0.0]
  我々のモデルは,ミニイメージネットデータセットに先行する自己回帰と競合することを示す。 我々のフレームワークは、標準のVQ-VAEを拡張し、エンドツーエンドのトレーニングを可能にします。
  論文  参考訳（メタデータ） (2022-02-10T08:38:12Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。