論文の概要: Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers

• arxiv url: http://arxiv.org/abs/2605.16126v1
• Date: Fri, 15 May 2026 16:11:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.361518
• Title: Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers
• Title（参考訳）: 橋を渡るエントロピー:流れとシュレーディンガーサンプリングのための条件-Marginal Discretization
• Authors: Bruno Trentini, Dejan Stancevic, Michael M. Bronstein, Alexander Tong, Luca Ambrogioni,
• Abstract要約: フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
• 参考スコア（独自算出の注目度）: 68.9946633641494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For a fixed flow-based generative model under a small inference budget, sample quality can depend strongly on where the sampler spends its few function evaluations. Flow matching and Schrödinger bridges define probability paths, yet their inference grids are usually heuristic or inherited from one-endpoint diffusion. We derive a conditional-marginal entropy-rate objective for bridge-aware discretization, separating endpoint-conditioned bridge geometry from marginal flow evolution, and use it to build a training-free entropic inference-time scheduler from first principles. For Gaussian Brownian bridges this rate is closed-form and U-shaped, motivating boundary-heavy nonuniform grids. On trained two-dimensional bridge/flow models, the estimated profile recovers the predicted shape and improves 10-step ODE-Heun MMD over linear by 18.1%, with a paired 22.7% SDE-Heun improvement in the same low-NFE sweep. On EDM/CIFAR-10, the entropic time-discretization gives the best tested five-step FID (186.3 \pm 4.0 versus 200.5 \pm 2.9 for linear and 238.0 \pm 5.3 for cosine). On AlphaFlow protein generation, entropic conditional-marginal (cond-marg) scheduling shows advantage in low-NFE regimes on both CAMEO22 and ATLAS benchmarks. These results support entropy-rate scheduling as a practical low-budget allocation signal for high-dimensional bridge and flow samplers.
• Abstract（参考訳）: 少ない推論予算下での固定フローベース生成モデルでは、サンプル品質はサンプルが最小の関数評価に費やす場所によって大きく依存する。 フローマッチングとシュレーディンガーブリッジは確率パスを定義するが、その推論格子は概してヒューリスティックあるいは一点拡散から受け継がれている。 本研究では, 境界流から終端条件付きブリッジ形状を分離し, 第一原理からトレーニング不要なエントロピー時間スケジューラを構築するための条件付きエントロピーレートを導出する。 ガウスのブラウン橋の場合、この速度は閉形式であり、U字型であり、境界重の非一様格子を動機としている。 トレーニングされた2次元ブリッジ/フローモデルでは、予測された形状を復元し、10ステップのODE-Heun MMDを18.1%改善し、同じ低NFEスイープで22.7%のSDE-Heunの改善を施した。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 \pm 4.0対200.5 \pm 2.9対cosineは238.0 \pm 5.3)を提供する。 AlphaFlowのタンパク質生成では、CAMEO22とATLASのベンチマークにおいて、エントロピー条件付きマージ(cond-marg)スケジューリングが低NFE方式の利点を示す。 これらの結果は,高次元橋梁およびフローサンプリング装置の実用的な低予算割当信号としてエントロピーレートスケジューリングをサポートする。

関連論文リスト

• Multi-Fidelity Flow Matching: Cascaded Refinement of PDE Solutions [6.144605787421899]
  マルチフィデリティフローマッチング(Multi-Fidelity Flow Matching)は、PDEソリューションのためのカスケード改善フレームワークである。 我々はこれをPDEソリューションのカスケード改善フレームワークであるMulti-Fidelity Flow Matching (MFFM)で活用する。 MFFMは、クエリ毎に決定論的ネットワーク評価を$L$で最良グリッドに達するマルチグリッド改善の学習アナログである。
  論文  参考訳（メタデータ） (2026-05-15T16:02:18Z)
• QDSB: Quantized Diffusion Schrödinger Bridges [4.3331379059769395]
  本稿では,量子化拡散シュルディンガーブリッジ (QDSB) を提案する。 正規化最適結合は、アンカー近似の品質によって制御される誤差により、安定なw.r.t.アンカー量子化であることを示す。
  論文  参考訳（メタデータ） (2026-05-12T11:35:08Z)
• Analytic Bridge Diffusions for Controlled Path Generation [0.0]
  現代の橋梁拡散法の多くは、目的を指定し、ニューラルネットワークを用いて関連するスコアやドリフトフィールドを学習することにより、有限時間輸送を実現する。 LQ-GM-PIDでは、線形2次制御のバックボーンを保持するが、端末状態制御を所定の端末確率密度で置き換える。 LQ-GM-PIDは橋梁拡散を終端目標マッチングツールから経路整形ツールに変える。
  論文  参考訳（メタデータ） (2026-05-03T05:36:52Z)
• 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)
• RBF-Solver: A Multistep Sampler for Diffusion Probabilistic Models via Radial Basis Functions [1.7498738677484031]
  ポリノミアルベースの多段階サンプリング器は、予め定義されたスキームに従ってサンプリング軌道を加速することにより、このコストを緩和する。 モデル評価を放射基底関数(RBF)で補間する多段階拡散サンプリング器RBF-rを提案する。 RBFの学習可能な形状パラメータを活用することにより、RBF-rは最適なサンプリング軌道を明示的に追従する。
  論文  参考訳（メタデータ） (2026-03-05T06:19:44Z)
• PINGS: Physics-Informed Neural Network for Fast Generative Sampling [0.0]
  PINGSは,物理インフォームドネットワークをトレーニングし,逆時間確率フローのダイナミクスを近似することで拡散サンプリングを補正するフレームワークである。 概念実証として、3次元標準正規から非ガウスガウス混合モデル(GMM)への直接写像を学習する。 PINGSは、終点アンカーを持つPINNスタイルの残差問題として生成的サンプリングを行い、NFE = 1 のホワイトボックスで微分可能な写像を得る。
  論文  参考訳（メタデータ） (2025-09-14T14:22:33Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)

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。