論文の概要: Structured Coupling for Flow Matching

• arxiv url: http://arxiv.org/abs/2605.07676v1
• Date: Fri, 08 May 2026 12:47:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.04831
• Title: Structured Coupling for Flow Matching
• Title（参考訳）: フローマッチングのための構造化結合
• Authors: Xavier Sumba, Carles Balsells-Rodas, Yingzhen Li,
• Abstract要約: 本稿では,構造化潜在表現学習に適合するフローを増大させる協調的なフレームワークを提案する。 SCFMは、構造付き遅延変数とノイズをソースに導入することにより、構造化された事前と連続的な輸送マップを共同で学習する。 潜在変数モデル変分推論と中間時間流速推定の両方に共有時間依存認識ネットワークを使用する。
• 参考スコア（独自算出の注目度）: 16.361601016656707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard flow matching scales well but typically relies on an unstructured source distribution, limiting its ability to learn interpretable latent structure. Latent-variable models, by contrast, capture structure but often sacrifice generative quality. We bridge this gap by proposing Structured Coupling for Flow Matching (SCFM), a cooperative framework that augments flow matching with structured latent representation learning. By introducing structured latent variables and exogenous noise into the source, SCFM jointly learns a structured prior (via latent variable modeling) and a continuous transport map (via flow matching). It uses a shared time-dependent recognition network for both latent variable model variational inference and intermediate-time flow velocity estimation. This yields a structurally informed yet unconditional, simulation-free flow model, where the latent variable model can also assist flow sampling. Empirically, SCFM facilitates unsupervised latent representation learning for clustering, disentanglement and downstream tasks, while remaining competitive with flow matching in sample quality, showing that meaningful structure can be learned without sacrificing generative fidelity.
• Abstract（参考訳）: 標準的なフローマッチングはうまくスケールするが、典型的には非構造的なソース分布に依存し、解釈可能な潜在構造を学習する能力を制限する。 対照的に、潜在変数モデルは構造をキャプチャするが、しばしば生成品質を犠牲にする。 フローマッチングのための構造化結合(Structured Coupling for Flow Matching, SCFM)を提案することにより, このギャップを埋める。 SCFMは、構造付き潜伏変数と外生ノイズをソースに導入することにより、構造化された事前(潜伏変数モデリング)と連続輸送マップ(フローマッチング)を共同で学習する。 潜在変数モデル変分推論と中間時間流速推定の両方に共有時間依存認識ネットワークを使用する。 これにより、構造的にインフォームドされるが、非条件のシミュレーションフリーフローモデルが得られ、潜在変数モデルもフローサンプリングを支援することができる。 実証的に、SCFMはクラスタリング、解離、下流タスクのための教師なしの潜在表現学習を促進する一方で、サンプル品質のフローマッチングと競合し続け、生成的忠実さを犠牲にすることなく有意義な構造を学習できることを示す。

関連論文リスト

• Semi-structured multi-state delinquency model for mortgage default [7.0177704222466994]
  本研究では,半構造化離散時間多状態モデルを提案する。 このモデルは、容易に理解可能な構造付き付加予測器と、複雑な非線形性と高次相互作用をキャプチャする柔軟なニューラルネットワークコンポーネントを組み合わせる。
  論文  参考訳（メタデータ） (2026-03-27T11:22:22Z)
• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• Fractal Flow: Hierarchical and Interpretable Normalizing Flow via Topic Modeling and Recursive Strategy [3.648417123399582]
  本稿では,表現性と解釈性の両方を高める新しい正規化フローアーキテクチャであるフラクタルフローを提案する。 MNIST, FashionMNIST, CIFAR-10, および物理データを用いた実験により, フラクタルフローが潜在クラスタリング, 制御可能な生成, 推定精度の向上を実証した。
  論文  参考訳（メタデータ） (2025-08-27T10:25:15Z)
• Unfolding Generative Flows with Koopman Operators: Fast and Interpretable Sampling [25.420559502119485]
  連続正規化フロー (Continuous Normalizing Flows, CNF) はエレガントな生成モデリングを実現する。 Rectified Flow や OT-CFM といった最近の手法は、直線化軌道によるサンプリングを加速するが、学習されたダイナミクスは非線形ブラックボックスのままである。 我々はクープマン理論を通した大域的線形化フローダイナミクスを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:16:16Z)
• Probabilistic Forecasting via Autoregressive Flow Matching [1.5467259918426441]
  FlowTimeは、時系列データの確率予測のための生成モデルである。 我々は、将来の観測の連成分布を条件密度の列に分解し、それぞれが共有フローを介してモデル化される。 本研究では,複数の動的システムおよび実世界の予測タスクにおけるFlowTimeの有効性を示す。
  論文  参考訳（メタデータ） (2025-03-13T13:54:24Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• GFlowNet-EM for learning compositional latent variable models [115.96660869630227]
  ラテントの後方のモデリングにおける重要なトレードオフは、表現性とトラクタブルな最適化の間にある。 非正規化密度からサンプリングするアルゴリズムであるGFlowNetsを提案する。 GFlowNetsをトレーニングして、後部から潜伏者へのサンプルをトレーニングすることにより、それらの強度をアモータライズされた変分アルゴリズムとして活用する。
  論文  参考訳（メタデータ） (2023-02-13T18:24:21Z)
• SIReN-VAE: Leveraging Flows and Amortized Inference for Bayesian Networks [2.8597160727750564]
  この研究はベイジアンネットワークによって定義された任意の依存構造をVAEに組み込むことを検討する。 これは、事前と推論のネットワークをグラフィカルな残留フローで拡張することで実現される。 モデルの性能をいくつかの合成データセットで比較し、データスパース設定におけるその可能性を示す。
  論文  参考訳（メタデータ） (2022-04-23T10:31:08Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。