Fugu-MT 論文翻訳(概要): Flow Matching for Count Data

論文の概要: Flow Matching for Count Data

arxiv url: http://arxiv.org/abs/2605.07746v1
Date: Fri, 08 May 2026 13:53:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-11 19:43:39.083294
Title: Flow Matching for Count Data
Title（参考訳）: カウントデータのフローマッチング
Authors: Ganchao Wei, John Pearson,
Abstract要約: 本研究では,局所的な単位ジャンプを伴う連続的生死過程に基づくデータカウントのためのフローマッチングフレームワークであるcount-FMを提案する。シミュレーションにおいて、カウントFMは、かなり少ないパラメータを使用しながら、代表ベースラインよりも優れたサンプル品質を達成する。さらに、無条件生成、輸送、条件生成のためのscRNA-seqおよびニューラルスパイクトレインデータにカウントFMを適用した。
参考スコア（独自算出の注目度）: 5.156484100374059
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: High-dimensional count data arise in applications such as single-cell RNA sequencing and neural spike trains, where mapping between distributions across successive batches or time points form critical components of data analysis. The recent success of diffusion- and flow-based deep generative models for images, video, and text motivates extending these ideas to count-valued settings, but many existing methods either treat each count as a categorical state or transform counts into a continuous space, neither of which is natural or efficient when the count range is large. We propose count-FM, a flow-matching framework for count data based on a continuous-time birth-death process with local unit jumps. Count-FM learns marginal transitions efficiently in count space through simulation-free training of conditional transition rates, allowing transport between arbitrary count-distributed source and target populations. In simulation, count-FM achieves better sample quality than representative baselines while using substantially fewer parameters. We further apply count-FM to scRNA-seq and neural spike-train data for unconditional generation, transport, and conditional generation. Across these tasks, count-FM yields improved sample quality, greater modeling efficiency, and interpretable transport paths.
Abstract（参考訳）: 高次元カウントデータは、単一セルRNAシークエンシングやニューラルスパイクトレインといったアプリケーションで発生し、連続するバッチや時間ポイントの分布間のマッピングがデータ分析の重要な要素となる。画像、ビデオ、テキストの拡散的およびフローベースの深層生成モデルの成功は、これらのアイデアをカウント評価された設定にまで拡張する動機となっているが、既存の多くの手法では、各カウントをカテゴリー的状態として扱うか、カウントを連続空間に変換するかのいずれかであり、どちらもカウント範囲が大きい場合には自然でも効率的でもない。本研究では,局所的な単位ジャンプを伴う連続的生死過程に基づくデータカウントのためのフローマッチングフレームワークであるcount-FMを提案する。カウントFMは、条件付き遷移率のシミュレーションなしトレーニングにより、カウント空間における限界遷移を効率的に学習し、任意のカウント分布源とターゲット集団間の移動を可能にする。シミュレーションにおいて、カウントFMは、かなり少ないパラメータを使用しながら、代表ベースラインよりも優れたサンプル品質を達成する。さらに、無条件生成、輸送、条件生成のためのscRNA-seqおよびニューラルスパイクトレインデータにカウントFMを適用した。これらのタスク全体で、カウントFMはサンプル品質の向上、モデリング効率の向上、解釈可能なトランスポートパスを提供する。

関連論文リスト

Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文参考訳（メタデータ） (2026-05-01T17:59:59Z)
Faster Inference of Flow-Based Generative Models via Improved Data-Noise Coupling [69.7108839028336]
条件付きフローマッチング(CFM)は、連続正規化フローをトレーニングするためのシミュレーション不要な手法である。 LOOM-CFMは、トレーニング時間内にミニバッチ間でこれらの割り当てを保存し、最適化することにより、ミニバッチ最適輸送(OT)の範囲を拡大する新しい手法である。提案手法は,複数のデータセット間の速度品質トレードオフのサンプリングにおける一貫した改善を示す。
論文参考訳（メタデータ） (2026-03-16T13:42:28Z)
Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文参考訳（メタデータ） (2026-03-11T12:41:46Z)
Count Bridges enable Modeling and Deconvolving Transcriptomic Data [11.719740585969886]
数値データに対する拡散型モデルの正確なアナログを提供する整数上のプロセスであるCount Bridgesを紹介する。我々はこのフレームワークを拡張して、単位レベルの数を潜伏変数として扱う期待-最大化スタイルのアプローチを通じて、集約された測定から直接のトレーニングを可能にする。
論文参考訳（メタデータ） (2026-03-05T02:09:00Z)
FreqFlow: Long-term forecasting using lightweight flow matching [3.5235875824926346]
本稿では、周波数領域における条件付きフローマッチングを利用して決定論的MSS予測を行う新しいフレームワークであるFreqFlowを紹介する。 FreqFlowは予測問題をスペクトル領域に変換し、振幅と位相シフトをモデル化する。実世界のトラフィック速度、ボリューム、フローデータセットに関する実験は、FreqFlowが最先端の予測性能を達成することを実証している。
論文参考訳（メタデータ） (2025-11-20T14:50:13Z)
Event Signal Filtering via Probability Flux Estimation [58.31652473933809]
イベントは、非同期センシングを通じてシーンダイナミクスをキャプチャするための新しいパラダイムを提供するが、その固有のランダム性は、しばしば劣化した信号品質につながる。したがって、イベント信号フィルタリングは、この内部ランダム性を低減し、多様な取得条件をまたいだ一貫した出力を確保することで、忠実性を高めるために不可欠である。本稿ではイベント密度フローフィルタ(EDFilter)と呼ばれる生成オンラインフィルタリングフレームワークを紹介する。実験では、イベントフィルタリング、スーパーレゾリューション、イベントベースの直接追跡といったタスクでEDFilterのパフォーマンスを検証する。
論文参考訳（メタデータ） (2025-04-10T07:03:08Z)
FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。条件設定では、太陽予測において優れた性能を達成している。
論文参考訳（メタデータ） (2024-11-12T03:03:23Z)
Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
論文参考訳（メタデータ） (2023-02-01T14:47:17Z)
Neural Spline Search for Quantile Probabilistic Modeling [35.914279831992964]
パラメトリックな仮定を伴わない観測データ分布を表現するために,非パラメトリックかつデータ駆動型手法であるニューラルスプラインサーチ(NSS)を提案する。我々は,NASが,合成,実世界の回帰,時系列予測タスクにおいて,従来の手法よりも優れていたことを実証した。
論文参考訳（メタデータ） (2023-01-12T07:45:28Z)
Transformer-based conditional generative adversarial network for multivariate time series generation [0.0]
時間依存データの条件付き生成は、非常に関心のあるタスクである。変圧器を用いた時系列生成対向ネットワーク(TTS-GAN)の最近の提案我々は、その生成された出力を特定のエンコードされたコンテキストに条件付けすることで、TS-GANを拡張する。この変換器をベースとしたCGANは,異なる条件下で現実的な高次元および長大なデータ列を生成することができることを示す。
論文参考訳（メタデータ） (2022-10-05T08:29:33Z)

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。