論文の概要: Constraint-Aware Flow Matching: Decision Aligned End-to-End Training for Constrained Sampling

• arxiv url: http://arxiv.org/abs/2605.12754v1
• Date: Tue, 12 May 2026 21:07:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.690167
• Title: Constraint-Aware Flow Matching: Decision Aligned End-to-End Training for Constrained Sampling
• Title（参考訳）: 拘束型フローマッチング:拘束型サンプリングのための決定型エンドツーエンドトレーニング
• Authors: Jacob K. Christopher, James E. Warner, Ferdinando Fioretto,
• Abstract要約: 深い生成モデルは、幅広いアプリケーションにまたがって最先端のパフォーマンスを提供する。 既存のアプローチでは、サンプルの品質を維持しながら厳格な制約満足度を強制することができない。 本稿では,制約予測をトレーニング対象に明示的に組み込む新しいエンドツーエンドフレームワークであるConstraint-Aware Flow Matchingを提案する。
• 参考スコア（独自算出の注目度）: 45.70806419699897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models provide state-of-the-art performance across a wide array of applications, with recent studies showing increasing applicability for science and engineering. Despite a growing corpus of literature focused on the integration of physics-based constraints into the generation process, existing approaches fail to enforce strict constraint satisfaction while maintaining sample quality. In particular, training-free constrained sampling methods, while providing per-sample feasibility guarantees, introduce a fundamental mismatch between the training objective and the constrained sampling procedure, often leading to performance degradation. Identifying this training-sampling misalignment as a central limitation of current constrained generative modeling approaches, this paper proposes Constraint-Aware Flow Matching, a novel end-to-end framework that explicitly incorporates constraint projections into the training objective. By aligning the model's learned dynamics with the constrained sampling process, the proposed method mitigates distributional shift induced by projection-based corrections, enabling high-quality constrained generation. The proposed approach is evaluated on three challenging real-world benchmarks, illustrating the generality and efficacy of the method.
• Abstract（参考訳）: 深層生成モデルは、幅広いアプリケーションにまたがって最先端のパフォーマンスを提供し、最近の研究では、科学と工学の応用性の向上が示されている。 物理に基づく制約を生成プロセスに統合することに焦点を当てた文献が増えているが、既存のアプローチでは、サンプルの品質を維持しながら厳格な制約満足度を強制することができない。 特に、トレーニング不要な制約付きサンプリング手法は、サンプルごとのフィージビリティ保証を提供する一方で、トレーニング目標と制約付きサンプリング手順の基本的なミスマッチを導入し、しばしば性能劣化を引き起こす。 本稿では,制約予測をトレーニング対象に明示的に組み込む新しいエンドツーエンドフレームワークであるConstraint-Aware Flow Matchingを提案する。 モデルの学習力学を制約されたサンプリングプロセスと整合させることで、プロジェクションベースの補正によって誘導される分布シフトを緩和し、高品質な制約付き生成を可能にする。 提案手法は,提案手法の汎用性と有効性を示す3つの挑戦的実世界のベンチマークを用いて評価した。

関連論文リスト

• Revitalizing the Beginning: Avoiding Storage Dependency for Model Merging in Continual Learning [57.10440766103372]
  Trajectory Regularized Merging (TRM) は、拡張されたトラジェクトリ部分空間内の最適化プロセスとしてマージフェーズを再構成するフレームワークである。 本フレームワークは,タスクアライメント,予測整合性,勾配応答性といった3つの相乗的目標を統合し,統合モデルの履歴安定性と再活性化最適化のダイナミクスを同時に保存する。
  論文  参考訳（メタデータ） (2026-05-08T14:07:32Z)
• Euphonium: Steering Video Flow Matching via Process Reward Gradient Guided Stochastic Dynamics [49.242224984144904]
  本稿では,プロセス報酬勾配誘導ダイナミクスによる生成を支援する新しいフレームワークであるEuphoniumを提案する。 我々の重要な洞察は、プロセス・リワード・モデルの勾配を明示的に組み込んだ理論的に原理化されたアルゴリズムとしてサンプリング・プロセスを定式化することである。 我々は,誘導信号をフローネットワークに内部化する蒸留目標を導出し,報奨モデルへの推論時間依存性を排除した。
  論文  参考訳（メタデータ） (2026-02-04T08:59:57Z)
• HardFlow: Hard-Constrained Sampling for Flow-Matching Models via Trajectory Optimization [4.249024052507976]
  本稿では,軌道最適化問題としてハードコントラストサンプリングを再構成する新しいフレームワークを提案する。 我々の重要な洞察は、数値的最適制御を利用してサンプリング軌道を操り、終端時刻に制約が正確に満たされるようにすることである。 このアルゴリズムは、制約満足度とサンプル品質の両方において、既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-11-11T16:33:57Z)
• A Model-Based Approach to Imitation Learning through Multi-Step Predictions [8.888213496593556]
  モデル予測制御に着想を得たモデルベース模倣学習フレームワークを提案する。 本手法は,従来のクローン型数値ベンチマークよりも優れる。 提案手法の複雑さと誤差境界について理論的に保証し,その収束特性について考察する。
  論文  参考訳（メタデータ） (2025-04-18T02:19:30Z)
• Gradient-Free Generation for Hard-Constrained Systems [41.558608119074755]
  既存の制約付き生成モデルは勾配情報に大きく依存しており、いくつかの分野において計算コストが低い場合が多い。 本稿では,ゼロショット方式で制約を正確に満たすために,事前学習された非拘束フローマッチングモデルを適用するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-02T18:36:26Z)
• Efficient Text-driven Motion Generation via Latent Consistency Training [21.348658259929053]
  非線形逆拡散軌道を解くための動き潜時整合トレーニングフレームワーク(MLCT)を提案する。 これらの拡張を組み合わせることで、非画素モダリティおよび潜在表現空間における安定かつ一貫性のあるトレーニングを実現する。
  論文  参考訳（メタデータ） (2024-05-05T02:11:57Z)
• Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
  本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。 提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
  論文  参考訳（メタデータ） (2024-02-05T22:18:16Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)

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。