論文の概要: Midpoint Generative Models

• arxiv url: http://arxiv.org/abs/2605.29920v1
• Date: Thu, 28 May 2026 13:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.353021
• Title: Midpoint Generative Models
• Title（参考訳）: 中間点生成モデル
• Authors: Daniil Shlenskii, Nikita Gushchin, Lev Novitskiy, Dmitry V. Dylov, Alexander Korotin,
• Abstract要約: 我々は,一段階生成モデルを訓練するための原則的フレームワークであるMidpoint Generative Models (MGM)を紹介する。 MGMは、既存の一段階生成モデリング手法と競合する性能を達成し、生成モデリングに効果的で理論的に基礎づけられたアプローチを提供する。
• 参考スコア（独自算出の注目度）: 52.59974039570536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Midpoint Generative Models (MGM), a principled framework for training one-step generative models. MGM is based on a simple symmetry of Flow Matching with linear interpolation: when the two endpoint distributions coincide, the corresponding drift field vanishes at the midpoint time, $t=1/2$. We show that the norm of this field defines a valid discrepancy between distributions, which we call the Midpoint Divergence. We extend this discrepancy beyond the midpoint by introducing randomly flipped interpolations and further generalize it by replacing deterministic linear Flow Matching interpolations with symmetric stochastic interpolants, yielding a generalized Midpoint Divergence. Finally, we derive a variational formulation of our generalized divergence, yielding a tractable objective for training a one-step generator. The resulting MGM algorithm offers an effective and theoretically grounded approach to generative modeling, achieving competitive performance against existing one-step generative modeling methods.
• Abstract（参考訳）: 我々は,一段階生成モデルを訓練するための原則的フレームワークであるMidpoint Generative Models (MGM)を紹介する。 MGMは、線形補間を伴うフローマッチングの単純な対称性に基づいており、2つのエンドポイント分布が一致すると、対応するドリフト場は中間点時間で消え、$t=1/2$である。 この分野のノルムは、分布間の妥当な相違を定義することを示し、それはミッドポイント分岐(Midpoint Divergence)と呼ばれる。 我々は、ランダムに反転した補間を導入し、決定論的線形フローマッチング補間を対称確率補間子に置き換え、一般化された中点分母を生成することにより、この差分を中間点を超えて拡張する。 最後に、一般化された発散の変分式を導出し、ワンステップジェネレータを訓練するためのトラクタブルな目標を導出する。 得られたMGMアルゴリズムは、既存の一段階生成モデリング手法と競合する性能を達成し、生成モデリングに対して効果的で理論的に基礎付けられたアプローチを提供する。

関連論文リスト

• A Unified Measure-Theoretic View of Diffusion, Score-Based, and Flow Matching Generative Models [0.3222802562733787]
  本稿では,データ分布への単純な参照分布の移動に基づく連続時間生成モデリング手法について,決定論的ダイナミクスを用いて検討する。 本稿では,拡散モデル,スコアベース生成モデル,フローマッチングが時間依存ベクトル場を学習する一貫したフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T18:32:15Z)
• Functionality-Oriented LLM Merging on the Fisher--Rao Manifold [14.349284217707575]
  重み空間のマージは、複数の微調整LDMを再訓練せずに単一のモデルに組み合わせることを目的としている。 我々は,標準を守り,マルチエキスパートマージに直接一般化する軽量な球面プロキシを用いて,実用的な固定点アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2026-03-05T09:08:38Z)
• Likely Interpolants of Generative Models [12.543430183696648]
  生成モデルの補間は、制御された生成、モデル検査などを可能にする。 ほとんどの生成モデルは、モデルまたはデータ次元に制限的な仮定なしで補間子の主観的概念を欠いている。 我々は、異なるメトリクスや確率分布と互換性のある遷移経路をターゲットとする一般的なスキームを開発する。
  論文  参考訳（メタデータ） (2025-10-30T08:46:53Z)
• Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
  事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。 本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-04T17:46:51Z)
• 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)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)
• Piecewise Normalizing Flows [0.0]
  ターゲットのトポロジとベースとのミスマッチは、粗悪なパフォーマンスをもたらす。 多くの異なる研究が、目標に合うように、ベース分布のトポロジーを変更しようと試みている。 対象の分布をクラスタに分割する分別正規化フローを導入し,標準正規化ベース分布によく適合するトポロジを提案する。
  論文  参考訳（メタデータ） (2023-05-04T15:30:10Z)
• Stochastic Interpolants: A Unifying Framework for Flows and Diffusions [18.299322342860517]
  フローベースおよび拡散ベースを統一する生成モデルのクラスを紹介する。 これらのモデルは、Albergo と VandenEijnden (2023) で提案されたフレームワークを拡張し、インターポーラントと呼ばれる広範囲の連続時間プロセスの使用を可能にした。
  論文  参考訳（メタデータ） (2023-03-15T17:43:42Z)
• Super-model ecosystem: A domain-adaptation perspective [101.76769818069072]
  本稿では,ドメイン適応による新たなスーパーモデルパラダイムの理論的基礎を確立することを試みる。 スーパーモデルパラダイムは、計算とデータコストと二酸化炭素排出量を減らすのに役立つ。
  論文  参考訳（メタデータ） (2022-08-30T09:09:43Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)

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。