論文の概要: Flowing with Confidence

• arxiv url: http://arxiv.org/abs/2605.18472v1
• Date: Mon, 18 May 2026 14:28:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.788904
• Title: Flowing with Confidence
• Title（参考訳）: 信頼に満ちた流れ
• Authors: Friso de Kruiff, Dario Coscia, Max Welling, Erik Bekkers,
• Abstract要約: 生成モデルは、非意味なテキスト、非現実的な画像、不安定な物質をシミュレーションや人間のレビューよりも早く吸収することができる。 モデル信頼度ではなくモデル間の変動度を測定するために,信頼性を伴うフローマッチング(FMwC)を提案する。 FMwCは、選択された層で入力依存乗法ノイズを注入し、その分散をクローズドな形でネットワークを通して伝播し、ODE軌道に沿って改善し、標準サンプリングコストでサンプル当たりの信頼スコアを得る。
• 参考スコア（独自算出の注目度）: 23.40211147034427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models can produce nonsensical text, unrealistic images, and unstable materials faster than simulation or human review can absorb; without per-sample confidence, trust erodes. Existing fixes run $k$ ensembles or stochastic trajectories at $k\times$ compute, measuring variability between models, not model confidence. We propose Flow Matching with Confidence (FMwC). FMwC injects input-dependent multiplicative noise at selected layers, propagates its variance through the network in closed form, and integrates it along the ODE trajectory, yielding a per-sample confidence score at standard sampling cost. The score supports multiple uses: filtering improves image quality and thermodynamic stability of crystals; editing rewinds trajectories to the points where the model commits and redirects them; and adaptive stepping concentrates ODE compute where the flow is ambiguous. We find that the confidence score correlates with the magnitude of the divergence of the learned velocity field, which gives us a window to understand the generative process, opening up surgical forms of guidance that target the moments that matter, new sampling algorithms and interpretability of generative models.
• Abstract（参考訳）: 生成モデルは、非意味なテキスト、非現実的画像、不安定な物質をシミュレーションや人間のレビューよりも早く吸収することができる。 既存の修正は$k$アンサンブルまたは$k\times$計算で確率軌道を実行し、モデルの信頼性ではなくモデル間の変動を測定する。 FMwC (Flow Matching with Confidence) を提案する。 FMwCは、選択された層で入力依存乗法ノイズを注入し、その分散をクローズドな形でネットワークを通して伝播し、ODE軌道に沿って統合し、標準サンプリングコストでサンプル当たりの信頼スコアを得る。 スコアは複数の用途をサポートする: フィルタリングは結晶の画質と熱力学的安定性を改善し、モデルがコミットしてリダイレクトする点への軌道の編集、適応的なステップは流れがあいまいな点のODE計算に集中する。 信頼性スコアは学習速度場のばらつきの大きさと相関し, 生成過程を理解するための窓口を与え, 対象モーメント, 新たなサンプリングアルゴリズム, 生成モデルの解釈可能性など, 外科的指導の場を開く。

関連論文リスト

• ODE-free Neural Flow Matching for One-Step Generative Modeling [4.319549155064877]
  拡散およびフローマッチングモデルは、データにノイズを伝達する時間依存ベクトル場を学習することでサンプルを生成する。 本稿では,フローマップとニューラルフローをパラメータ化するODEフリーな生成フレームワークOT-NFMを提案する。 本研究では,不整合なノイズデータペアリングがすべての出力をデータ平均に向かって駆動する場合,フローマップ学習が平均崩壊に苦しむことを示す。
  論文  参考訳（メタデータ） (2026-04-07T19:49:57Z)
• Training-Free Refinement of Flow Matching with Divergence-based Sampling [17.850801452423074]
  Flow Divergence Sampler (FDS)は、各ソルバステップの前に中間状態を洗練するトレーニング不要のフレームワークである。 FDSは、このシグナルを利用して、よりあいまいな領域に向けて州を操る。 標準のソルバやオフザシェルフフローバックボーンと互換性のあるプラグイン・アンド・プレイのフレームワークとして、FDSは、さまざまな世代のタスクにおける忠実さを一貫して改善する。
  論文  参考訳（メタデータ） (2026-04-06T12:54:58Z)
• Scalable, Explainable and Provably Robust Anomaly Detection with One-Step Flow Matching [14.503330877000758]
  Time-Conditioned Contraction Matching is a novel method for semi-supervised anomaly detection in tabular data。 これは、確率分布間の速度場を学習する最近の生成モデリングフレームワークであるフローマッチングにインスパイアされている。 ADBenchベンチマークの大規模な実験により、TCCMは検出精度と推論コストのバランスが良好であることが示されている。
  論文  参考訳（メタデータ） (2025-10-21T06:26:38Z)
• Score-based Idempotent Distillation of Diffusion Models [0.9367224590861915]
  一等性生成ネットワーク(IGN)は、対象多様体への等等性写像に基づく新しい生成モデルである。 本研究では拡散モデルスコアから等等化モデルを蒸留することにより拡散とIGNを結合し、SIGNと呼ぶ。 提案手法は非常に安定しており, 対向的損失を伴わないため, 提案手法の理論的解析を行い, IGNを予め学習した拡散モデルから効果的に蒸留できることを実証的に示す。
  論文  参考訳（メタデータ） (2025-09-25T19:36:10Z)
• Aleatoric Uncertainty Medical Image Segmentation Estimation via Flow Matching [0.157286095422595]
  医用画像のセグメンテーションにおけるアレタリック不確かさの定量化は、専門家のアノテータが観察する自然変動の反映であるため重要である。 提案手法は, 正確な密度を学習するシミュレーション不要なフローベース生成モデルである条件付きフローマッチングを利用する。
  論文  参考訳（メタデータ） (2025-07-30T06:45:32Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。