論文の概要: Parameter-Efficient Generative Modeling with Controlled Vector Fields

• arxiv url: http://arxiv.org/abs/2605.28267v1
• Date: Wed, 27 May 2026 10:14:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.961182
• Title: Parameter-Efficient Generative Modeling with Controlled Vector Fields
• Title（参考訳）: ベクトル場制御によるパラメータ効率の良い生成モデル
• Abstract要約: 固定ベクトル場の小さな集合から表現的フローを構築するための連続時間生成モデリングフレームワークを提案する。 本研究は, 連続正規化-フロー可能性目標を用いて結果モデルを訓練し, 合成分布に関する概念実証実験を行う。
• 参考スコア（独自算出の注目度）: 1.370633147306388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a continuous-time generative modeling framework, motivated by the Chow-Rashevskii theorem, that builds expressive flows from a small set of fixed vector fields and learned scalar controls. Instead of learning an unconstrained high-dimensional vector field, our framework constructs the velocity by modulating fixed vector fields with learned scalar control functions. When the fixed fields are bracket-generating, their Lie algebra spans the ambient space, providing a mechanism for expressive transport with only a small number of learned control channels and offering a parameter-efficient geometric alternative to standard vector-field parameterizations. This decoupled formulation yields a structured and interpretable generative model in which the number of learned scalar output channels can be chosen independently of the ambient dimension. We formulate an expressivity principle showing that, under suitable controllability and well-posedness assumptions, such controlled flows can transport a source distribution to a target distribution. We train the resulting model using a continuous-normalizing-flow likelihood objective and present proof-of-concept experiments on synthetic distributions.
• Abstract（参考訳）: 我々は、Chow-Rashevskiiの定理によって動機付けられた連続時間生成モデリングフレームワークを導入し、固定ベクトル場の小さな集合から表現的フローを構築し、スカラー制御を学習する。 我々のフレームワークは、制約のない高次元ベクトル場を学ぶ代わりに、学習されたスカラー制御関数で固定ベクトル場を変調することによって速度を構築する。 固定体がブラケット生成されるとき、そのリー代数は周囲空間にまたがり、少数の学習された制御チャネルしか持たない表現的輸送のメカニズムを提供し、標準ベクトル場パラメータ化に代えてパラメータ効率のよい幾何学的代替を提供する。 この分離された定式化は、学習されたスカラー出力チャネルの数を周囲次元とは独立に選択できる構造化され解釈可能な生成モデルをもたらす。 本研究では, 適切な制御性, 適正な設定条件下では, 制御フローがソース分布を対象分布に伝達可能であることを示す表現性原理を定式化する。 本研究は, 連続正規化-フロー可能性目標を用いて結果モデルを訓練し, 合成分布に関する概念実証実験を行う。

関連論文リスト

• Active Flow Expansion for Out-of-Distribution Discovery: from Theory to Molecules [62.81692030818376]
  本稿では,モデルの生成可能な集合を拡大し,有効設計空間のカバレッジを増大させる,分散フローモデリングのための新しい学習原理を提案する。 本稿では, 検証器フィードバックを用いて, 新しい有効領域に事前学習モデルを拡張する, 継続的な事前学習手法であるアクティブフロー拡張(ActFlow)を提案する。 その結果、ActFlowは、初期訓練済みモデルによってモデル化された領域を超えて、有効な範囲を広げ、広く採用されている合成フロー事前学習法よりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2026-06-07T19:43:22Z)
• Guiding Vector Field Generation via Score-based Diffusion Model [14.390715666696174]
  スコア誘導誘導誘導ベクトル場(SGVF)と呼ばれる統合フレームワークを提案する。 我々は、単位ノルム性、方向整合性損失、幾何学的忠実度を有する点雲からベクトル場を学習する。 このアプローチは、アドホックパスのセグメンテーションへの依存を排除し、分岐や擬多様体のような複雑なトポロジーに沿ったガイダンスを可能にする。
  論文  参考訳（メタデータ） (2026-04-27T13:55:42Z)
• Generative models for decision-making under distributional shift [19.065806786298534]
  このチュートリアルでは、決定関連分布を構築するための数学的ツールとして、現代的な生成モデル、特にフローおよびスコアに基づく手法を提示する。 我々は、プッシュフォワード写像、連続性、フォッカー・プランク方程式、ワッサーシュタイン幾何学、確率空間の最適化に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-06T01:35:13Z)
• When and how can inexact generative models still sample from the data manifold? [2.4664553878979185]
  スコア関数やドリフトベクトル場における学習誤差にもかかわらず、生成されたサンプルはデータ分布の支持を強調させるが、それから強調しないように見える。 我々は、上のリャプノフベクトルとデータ多様体の境界に沿った接空間とのアライメントがロバスト性をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-08-11T03:24:34Z)
• Invariant Representations via Wasserstein Correlation Maximization [0.6554326244334866]
  本研究では、教師なし表現学習におけるワッサースタイン相関の活用について検討する。 入力と分布の相関を最大化するために訓練された(オート)エンコーダが代わりに圧縮機として機能することがわかった。 また、最適輸送に基づく依存度測定のための様々な理論的結果も確立する。
  論文  参考訳（メタデータ） (2025-05-16T21:11:51Z)
• Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
  本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。 入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
  論文  参考訳（メタデータ） (2024-10-07T23:53:25Z)
• Stochastic Sampling from Deterministic Flow Models [8.849981177332594]
  そこで本論文では,フローモデルを同じ境界分布を持つ微分方程式の族(SDE)に変換する手法を提案する。 我々は,おもちゃのガウスセットアップと大規模イメージネット生成タスクにおいて,提案手法の利点を実証的に実証した。
  論文  参考訳（メタデータ） (2024-10-03T05:18:28Z)
• MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
  本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。 提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Deep Learning Approximation of Diffeomorphisms via Linear-Control Systems [91.3755431537592]
  我々は、制御に線形に依存する$dot x = sum_i=1lF_i(x)u_i$という形の制御系を考える。 対応するフローを用いて、コンパクトな点のアンサンブル上の微分同相写像の作用を近似する。
  論文  参考訳（メタデータ） (2021-10-24T08:57:46Z)
• Generative Flows with Invertible Attentions [135.23766216657745]
  生成フローモデルに対する2種類の非可逆的注意機構を導入する。 フロー特徴写像の2分割毎に注意重みと入力表現を学習するために,分割に基づく注意機構を利用する。 提案手法は, トラクタブルジャコビアン行列を用いた非可逆アテンションモジュールをフローベースモデルの任意の位置にシームレスに統合する。
  論文  参考訳（メタデータ） (2021-06-07T20:43:04Z)

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。