論文の概要: Generalized Wasserstein Flow Matching: Transport Plans, Everywhere, All at Once
- arxiv url: http://arxiv.org/abs/2605.08424v1
- Date: Fri, 08 May 2026 19:33:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.634083
- Title: Generalized Wasserstein Flow Matching: Transport Plans, Everywhere, All at Once
- Title（参考訳）: 一般のワッサースタイン流の整合:交通計画, どこでも, 一度に
- Abstract要約: 確率測度上の確率測度の空間にフローマッチングを拡張し、WoW(Wasserstein-on-Wasserstein)の定式化を導入する。
輸送計画に対する対策は, メタ測定フローを実現する速度場を自然に誘導することを示す。
我々のフレームワークは既存のクラウドとセット生成のアプローチを統一し拡張し、WoW空間における生成モデリングの実践的かつ理論的基礎的な手法を提供する。
- 参考スコア（独自算出の注目度）: 7.200655637873445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Flow matching has recently emerged as a flexible and efficient framework for generative modelling by learning deterministic transport dynamics between probability measures. In this work, we extend flow matching to the space of probability measures over probability measures, introducing a Wasserstein-on-Wasserstein (WoW) formulation. Leveraging the nested Wasserstein geometry, we show that measures over transport plans naturally induce velocity fields that realize metameasure flows. This yields a principled generalization of Wasserstein flow matching via coupled outer and inner transport plans. To address the substantial computational cost of WoW transport, we propose scalable approximations based on sliced and linear Wasserstein distances, enabling efficient training while promoting numerically stable, near-straight trajectories. Our framework unifies and extends existing approaches to point cloud and set generation, providing a practical and theoretically grounded method for generative modelling in WoW spaces.
- Abstract（参考訳）: フローマッチングは,確率測度間の決定論的輸送力学を学習することにより,生成モデリングのための柔軟かつ効率的なフレームワークとして最近登場した。
本研究では,確率測度に対する確率測度空間にフローマッチングを拡張し,WoW(Wasserstein-on-Wasserstein)の定式化を導入する。
ネストされたワッサーシュタイン幾何を利用して、輸送計画上の測度は、メタ測定フローを実現する速度場を自然に誘導することを示した。
これにより、ワッサーシュタインフローマッチングの原理的な一般化が外と内を結合した輸送計画によって得られる。
WoW輸送の相当な計算コストに対処するため,スライスおよび線形ワッサーシュタイン距離に基づくスケーラブルな近似を提案し,数値的に安定なニアストレート軌道を推し進めながら,効率的な訓練を可能にした。
我々のフレームワークは既存のクラウドとセット生成のアプローチを統一し拡張し、WoW空間における生成モデリングの実践的かつ理論的基礎的な手法を提供する。
関連論文リスト
- $L^2$ over Wasserstein: Statistical Analysis for Optimal Transport [0.0]
距離と測地幾何学を特徴付けることにより、ワッサーシュタイン空間上の$L2$を導入する。
ワッサーシュタインフレームワーク上での実験測度を用いて, 最適輸送機械の統計的収束結果を収集する。
We refine Schwartz's consistency theorem to the Wasserstein topology and deduce subsequent convergence of the same machines in the $L2$ over Wasserstein space。
論文 参考訳（メタデータ） (2026-05-20T16:29:01Z) - Lagrangian Flow Matching: A Least-Action Framework for Principled Path Design [14.77320535984857]
フローマッチングは、所定の確率パスに関連する目標速度に対して回帰して神経速度場を訓練する。
ラグランジアンフローマッチング(Lagrangian flow matching)は、一般ラグランジアンの動きを最小化して確率パスと速度場を決定する物理ベースのフレームワークである。
論文 参考訳（メタデータ） (2026-05-14T21:05:03Z) - A Few-Step Generative Model on Cumulative Flow Maps [25.03991490159211]
確率空間における長距離輸送のためのエンファンキュラティブフローマップに基づく,統一的で数段階の生成モデリングフレームワークを提案する。
コアとなるのは累積フローの抽象化で、ローカル、即時のアップデートと有限時間転送を接続する。
画像生成,幾何分布モデリング,共同予測,SDF生成など,様々なタスクにまたがる効果を示す。
論文 参考訳（メタデータ） (2026-05-05T10:51:40Z) - An Eulerian Perspective on Straight-Line Sampling [0.0]
本研究では, 生成モデリングのための動的測度輸送, 特に, 特定のソースとターゲット分布をブリッジするプロセスによって誘導される流れについて検討する。
我々は、どのプロセスが直線流を生成するか、すなわち、点加速度が消滅し、従って一階法と完全に統合可能なフローを問う。
本研究では、条件加速度と重み付き共分散(レイノルズ)テンソルのばらつきのバランスとして、直線性の簡潔なPDE特性を提供する。
論文 参考訳（メタデータ） (2025-10-13T17:33:58Z) - Fast Estimation of Wasserstein Distances via Regression on Sliced Wasserstein Distances [70.94157767200342]
本稿では,スライスされたワッサーシュタイン距離の回帰に基づく高速推定法を提案する。
少数の分布対から正確なモデルを学習できることが示される。
我々の手法は、最先端のワッサーシュタイン埋め込みモデルであるワッサーシュタインワームホールよりも、ワッサーシュタイン距離の近似が常に優れている。
論文 参考訳（メタデータ） (2025-09-24T19:30:53Z) - Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳（メタデータ） (2024-07-10T17:39:50Z) - Dynamic Conditional Optimal Transport through Simulation-Free Flows [12.976042923229466]
我々は条件最適輸送(COT)の幾何学を研究し、ベナモ・ブレニエ定理を一般化する動的定式化を証明した。
条件付き生成モデルのためのシミュレーション不要なフローベース手法を提案する。
論文 参考訳（メタデータ） (2024-04-05T17:41:52Z) - Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
我々は,新しいtextbf Optimal Flow Matching (OFM) アプローチを開発し,理論的に正当化する。
これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。
提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
論文 参考訳（メタデータ） (2024-03-19T19:44:54Z) - Neural Wasserstein Gradient Flows for Maximum Mean Discrepancies with Riesz Kernels [1.3654846342364308]
非滑らかなリース核を持つ最大平均差分関数(MMD)のワッサーシュタイン勾配流は、リッチな構造を示す。
本稿では,ヨルダン,キンデレーア,オットーの逆方向スキームを近似して,ワッサーシュタイン勾配流の計算法を提案する。
ダイラック測度から始まるワッサーシュタインスキームの解析式を提供し、時間ステップサイズがゼロになる傾向にあるときにそれらの収束を示す。
論文 参考訳（メタデータ） (2023-01-27T09:57:36Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - Large-Scale Wasserstein Gradient Flows [84.73670288608025]
ワッサーシュタイン勾配流を近似するスケーラブルなスキームを導入する。
我々のアプローチは、JKOステップを識別するために、入力ニューラルネットワーク(ICNN)に依存しています。
その結果、勾配拡散の各ステップで測定値からサンプリングし、その密度を計算することができる。
論文 参考訳（メタデータ） (2021-06-01T19:21:48Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。