論文の概要: Path-independent Flow Matching for Multi-parameter Generative Dynamics

• arxiv url: http://arxiv.org/abs/2605.13487v1
• Date: Wed, 13 May 2026 13:12:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.06343
• Title: Path-independent Flow Matching for Multi-parameter Generative Dynamics
• Title（参考訳）: 多パラメータ生成ダイナミクスのための経路非依存フローマッチング
• Authors: Francisco Téllez, AmirHossein Zamani, Philippe Martin, Shuang Ni, Guy Wolf, Eugene Belilovsky, Sina Sanjari, Yanlei Zhang,
• Abstract要約: 経路非依存フローマッチング (PiFM) は, 誘導フローが分布間の経路非依存輸送をもたらすベクトル場を学習する手法である。 PiFMは、構造条件を強制しながら、フローマッチングを高次元パラメータ領域に一般化する。 経路独立トラジェクトリの補間や,所望の分布サンプルの生成において,PiFMは,合成データと実世界のデータの両方において,他の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 20.17003334097635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow Matching is a powerful framework for learning transport maps between probability distributions. Yet its standard single-parameter formulation is not designed to capture multi-parameter variations where the resulting transport should be path-independent. Path independence is crucial because it ensures that transformations depend only on the initial and target distributions, not on the specific path. In this work, we introduce Path-independent Flow Matching (PiFM), a method for learning vector fields whose induced flows yield path-independent transport between distributions. We show that PiFM generalizes Flow Matching to higher-dimensional parameter domains while enforcing structural conditions that ensure consistency of composed transformations. In addition, we show that, under suitable assumptions, PiFM approximates the Wasserstein barycenter, linking the framework to a notion of distributional interpolation. To enable practical training, we propose a tractable, simulation-free objective that regresses onto multi-parameter conditional probability paths. We showcase empirically that PiFM outperforms other approaches on both synthetic and real world data in interpolating path-independent trajectories and generating desired out of distribution samples.
• Abstract（参考訳）: フローマッチングは確率分布間の移動マップを学習するための強力なフレームワークである。 しかし、標準の単一パラメータの定式化は、その結果の輸送がパス非依存であるようなマルチパラメータの変動をキャプチャするためには設計されていない。 経路独立は、変換が特定の経路ではなく、初期分布と目標分布にのみ依存することを保証するため、重要である。 本研究では,経路非依存のフローマッチング (PiFM) を提案する。 本稿では, 合成変換の整合性を保証する構造条件を適用しながら, フローマッチングを高次元パラメータ領域に一般化することを示す。 さらに、適切な仮定の下では、PiFMはワッサーシュタインのバリセンタを近似し、フレームワークを分布補間の概念にリンクすることを示した。 現実的なトレーニングを実現するため,多パラメータ条件付き確率パスに回帰するトラクタブルでシミュレーション不要な目標を提案する。 我々は,経路非依存軌道の補間や,所望の分布サンプルの生成において,PiFMが合成データと実世界のデータの両方において,他の手法よりも優れていることを実証的に示す。

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)
• 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)
• Source-Guided Flow Matching [7.888172595458005]
  本稿ではソースガイド型フローマッチングフレームワークを提案する。 事前訓練されたベクトル場をそのまま保ちながら、ソース分布を直接修正する。 これにより、ガイダンス問題は、ソース分布からサンプリングする、明確に定義された問題に還元される。
  論文  参考訳（メタデータ） (2025-08-20T15:56:25Z)
• Generative Assignment Flows for Representing and Learning Joint Distributions of Discrete Data [2.6499018693213316]
  離散確率変数の結合確率分布の表現のための新しい生成モデルを提案する。 このアプローチでは、分解分布の統計部分多様体上のランダム化代入フローによる測度輸送を用いる。
  論文  参考訳（メタデータ） (2024-06-06T21:58:33Z)
• Metric Flow Matching for Smooth Interpolations on the Data Manifold [40.24392451848883]
  Metric Flow Matching (MFM) は条件付きフローマッチングのための新しいシミュレーションフリーフレームワークである。 我々は,MFMを条件付き経路のフレームワークとして提案し,ソース分布をターゲット分布に変換する。 我々は、LiDARナビゲーション、未ペア画像翻訳、セルラーダイナミクスのモデリングなど、一連の課題でFMをテストする。
  論文  参考訳（メタデータ） (2024-05-23T16:48:06Z)
• Unsupervised Learning of Sampling Distributions for Particle Filters [80.6716888175925]
  観測結果からサンプリング分布を学習する4つの方法を提案する。 実験により、学習されたサンプリング分布は、設計された最小縮退サンプリング分布よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2023-02-02T15:50:21Z)
• Conditioning Normalizing Flows for Rare Event Sampling [61.005334495264194]
  本稿では,ニューラルネットワーク生成構成に基づく遷移経路サンプリング手法を提案する。 本手法は遷移領域の熱力学と運動学の両方の解法を可能にすることを示す。
  論文  参考訳（メタデータ） (2022-07-29T07:56:10Z)
• 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)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)

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。