論文の概要: Multimarginal flow matching with optimal transport potentials

• arxiv url: http://arxiv.org/abs/2606.05327v1
• Date: Wed, 03 Jun 2026 18:11:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.334162
• Title: Multimarginal flow matching with optimal transport potentials
• Title（参考訳）: 最適輸送電位を用いたマルチマルジナルフローマッチング
• Authors: Raghav Kansal, David Crair, Nghia Nguyen, Scott Pope, Bradley Parry,
• Abstract要約: フローマッチング(FM)は、2つの経験的分布間の動的トランスポートマップを学習するための強力なフレームワークとして登場した。 我々はFMと動的最適輸送(OT)の接続を利用した新しいアプローチでこの問題に取り組む。 学習フローの時間的ダイナミクスにかなりの柔軟性をもたらすマルチマルジナルFMの効率的でシミュレーション不要なアルゴリズムを導出する。
• 参考スコア（独自算出の注目度）: 0.6308584922245498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow matching (FM) has emerged as a powerful framework for learning dynamic transport maps between two empirical distributions. However, less explored is the setting with intermediate observed marginals that can help constrain the flows between the endpoints. This "multimarginal" regime is central to modeling temporal evolution in dynamical systems in many scientific domains that can sample sequential distributions. We tackle this problem with a novel approach that leverages the connection between FM and dynamic optimal transport (OT), softly steering the flow towards the intermediate marginals through potential terms in the dynamic OT action. By extending the conditional FM learning target to incorporate these potentials, we derive an efficient, simulation-free algorithm for multimarginal FM that offers considerable flexibility in the spatiotemporal dynamics of the learned flows. We demonstrate state-of-the-art performance and training efficiency of OT-potential FM (OTP-FM) on diverse single-cell RNA sequencing, oceanographic, and meteorological datasets. Our code is available at https://github.com/Bexorg-Inc/OTP-FM.
• Abstract（参考訳）: フローマッチング(FM)は、2つの経験的分布間の動的トランスポートマップを学習するための強力なフレームワークとして登場した。 しかしながら、調査されていないのは、エンドポイント間のフローを制限できる中間観察境界の設定である。 この "multimarginal" 体制は、シーケンシャルな分布をサンプリングできる多くの科学的領域において、動的システムの時間的進化をモデル化する中心である。 我々は、FMと動的最適輸送(OT)の接続を利用して、動的OT作用のポテンシャル項を通して中間辺縁への流れをソフトに操る新しいアプローチでこの問題に取り組む。 条件付きFM学習ターゲットをこれらのポテンシャルを組み込むように拡張することにより、学習フローの時空間力学にかなりの柔軟性をもたらすマルチマルジナルFMの効率的でシミュレーション不要なアルゴリズムを導出する。 単細胞RNAシークエンシング,海洋学,気象学的データセットを用いたOTP-FM(OTP-FM)の最先端性能と訓練効率を実証した。 私たちのコードはhttps://github.com/Bexorg-Inc/OTP-FMで公開されています。

関連論文リスト

• Learning Mean-Field Games through Mean-Field Actor-Critic Flow [16.489956572274927]
  我々は平均場ゲーム(MFG)を解くための連続学習力学である平均場アクター・クライブ(MFAC)フローを提案する。 このフレームワークは、偏微分方程式(PDE)が支配する結合勾配に基づく更新を通じて、制御(アクター)、値関数(批判)、分布成分を共同で進化させる。 中心的な革新は最適輸送測地管流(OTGP)であり、ワッサーシュタイン2測地線に沿った平衡方向の分布を駆動している。
  論文  参考訳（メタデータ） (2025-10-14T06:15:32Z)
• Local Flow Matching Generative Models [19.859984725284896]
  フローマッチング(英: Flow Matching, FM)は、2つの分布を補間する連続的かつ非可逆的な流れを学習するためのシミュレーション不要な手法である。 FMサブモデルのシーケンスを連続的に学習するLFM(Local Flow Matching)と呼ばれるステップワイズFMモデルを提案する。 FMと比較して, LFMの訓練効率と競争的生成性能の改善を実証的に実証した。
  論文  参考訳（メタデータ） (2024-10-03T14:53:10Z)
• Switched Flow Matching: Eliminating Singularities via Switching ODEs [12.273757042838675]
  フローマッチング(FM)のような連続時間生成モデルは、ある分布と別の分布の間を移動する確率経路を構築する。 しかし、推論の間、学習したモデルはフローを正確に統合するために複数のニューラルネットワーク評価を必要とすることが多い。 本研究では,一様の ODE を FM で使用するのに対して,スイッチング ODE による特異性を排除した Switched FM (SFM) を提案する。
  論文  参考訳（メタデータ） (2024-05-19T16:21:04Z)
• Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
  我々は,新しいtextbf Optimal Flow Matching (OFM) アプローチを開発し,理論的に正当化する。 これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。 提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
  論文  参考訳（メタデータ） (2024-03-19T19:44:54Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)

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。