Fugu-MT 論文翻訳(概要): Diffusion Flow Matching: Dimension-Improved KL Bounds and Wasserstein Guarantees

論文の概要: Diffusion Flow Matching: Dimension-Improved KL Bounds and Wasserstein Guarantees

arxiv url: http://arxiv.org/abs/2606.16610v1
Date: Mon, 15 Jun 2026 12:00:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 16:21:34.501948
Title: Diffusion Flow Matching: Dimension-Improved KL Bounds and Wasserstein Guarantees
Title（参考訳）: 拡散流マッチング:次元改善KL境界とワッサーシュタイン保証
Abstract要約: 我々は,ブラウン運動に基づくDFMの収束保証を行い,離散化誤差に着目した。解析はクルバック・リーブラー(KL)の発散と2-ワッサーシュタイン距離で行う。
参考スコア（独自算出の注目度）: 15.697611355182005
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diffusion Flow Matching (DFM) has recently emerged as a versatile framework for generative modeling, yet its theoretical convergence properties remain only partially understood. In this work, we provide refined and novel convergence guarantees for Brownian motion based DFMs, focusing on the discretization error. Our analysis is conducted under the Kullback-Leibler (KL) divergence and the 2-Wasserstein distance. Under finite-moment conditions and a mild score integrability assumption, we derive KL convergence bounds with improved dimensional dependence compared to prior work, achieving, up to our knowledge, state-of-the-art scaling under minimal conditions. We further extend the analysis to the 2-Wasserstein distance: under an additional first-order score integrability assumption and a weak log-concavity condition, we obtain convergence guarantees with dimensional dependence consistent with the KL case.
Abstract（参考訳）: 拡散フローマッチング(DFM)は、最近、生成モデリングのための汎用的なフレームワークとして登場したが、その理論的収束特性は部分的には理解されていない。本研究では,ブラウン運動に基づく DFM に対して,離散化誤差に着目し,洗練された新しい収束保証を提供する。解析はクルバック・リーブラー(KL)の発散と2-ワッサーシュタイン距離で行う。有限モーメント条件と軽度スコア積分可能性仮定の下では、最小条件下での最先端のスケーリングを達成し、前処理よりも次元依存性が改善されたKL収束を導出する。我々はさらに解析を2-ワッサーシュタイン距離まで拡張し、追加の1次スコア積分可能性仮定と弱い対数共振条件の下で、KLの場合と整合した次元依存性の収束保証を得る。

関連論文リスト

Decentralized Proximal Stochastic Gradient Langevin Dynamics [4.385194124090593]
凸領域に制約された対数凹面確率分布からのサンプリングのための分散近位ランゲヴィンダイナミクス(DE-PSGLD)。制約領域に対する最初の分散化アプローチとして、アルゴリズムは高速な後部濃度と高い予測精度を示す。
論文参考訳（メタデータ） (2026-05-01T15:11:06Z)
Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
制約を克服するオイラー法に対する全変分に基づく解析法を開発した。その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
論文参考訳（メタデータ） (2026-02-26T00:47:51Z)
Particle Dynamics for Latent-Variable Energy-Based Models [12.84928511163926]
潜時変動エネルギーベースモデル(LVEBM)は、観測されたデータと潜時変数の結合対に1つの正規化されたエネルギーを割り当てる。我々は,潜伏勾配と関節勾配の分布に関するサドル問題として,最大様態訓練を再検討した。我々は、KL分散とワッサーシュタイン2距離における崩壊率を用いて、標準の滑らかさと解離性仮定の下での存在と収束を証明した。
論文参考訳（メタデータ） (2025-10-17T09:04:49Z)
Shifted Composition III: Local Error Framework for KL Divergence [12.93725028754563]
引数の結合は、2つのプロセス間の偏差を境界付ける中心的なツールである。カップリングの議論をKL(Kulback-Leibler)の発散に適用する。
論文参考訳（メタデータ） (2024-12-23T21:40:01Z)
Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文参考訳（メタデータ） (2024-10-03T09:07:13Z)
Flow matching achieves almost minimax optimal convergence [50.38891696297888]
フローマッチング (FM) は, シミュレーションのない生成モデルとして注目されている。本稿では,大試料径のFMの収束特性を$p$-Wasserstein 距離で論じる。我々は、FMが1leq p leq 2$でほぼ最小の収束率を達成できることを確立し、FMが拡散モデルに匹敵する収束率に達するという最初の理論的証拠を示す。
論文参考訳（メタデータ） (2024-05-31T14:54:51Z)
Broadening Target Distributions for Accelerated Diffusion Models via a Novel Analysis Approach [49.97755400231656]
本研究では,新しいDDPMサンプリング器が,これまで考慮されていなかった3種類の分散クラスに対して高速化性能を実現することを示す。この結果から, DDPM型加速サンプリング器におけるデータ次元$d$への依存性が改善された。
論文参考訳（メタデータ） (2024-02-21T16:11:47Z)
KL Convergence Guarantees for Score diffusion models under minimal data assumptions [9.618473763561418]
注目すべき課題は、包括的な定量的結果の欠如という形で続いている。この記事では、Ornstein-Uhlenbeck半群とその運動論的対応から生じる一定のステップサイズを持つスコア拡散モデルに焦点を当てる。
論文参考訳（メタデータ） (2023-08-23T16:31:08Z)
Systematic compactification of the two-channel Kondo model. III. Extended field-theoretic renormalization group analysis [44.99833362998488]
複数チャネルの近藤モデルとそのコンパクト化バージョンについて,詳細な流れを計算した。我々は、一貫したボゾン化-デボゾン化形式と従来のボゾン化-デボゾン化形式との相違について洞察を得る。特に、並列な近藤相互作用の一貫した参照化をさらに正当化するために、再正規化-フロー論を用いている。
論文参考訳（メタデータ） (2023-08-07T14:07:21Z)
Beyond the Edge of Stability via Two-step Gradient Updates [49.03389279816152]
Gradient Descent(GD)は、現代の機械学習の強力な仕事場である。 GDが局所最小値を見つける能力は、リプシッツ勾配の損失に対してのみ保証される。この研究は、2段階の勾配更新の分析を通じて、単純だが代表的でありながら、学習上の問題に焦点をあてる。
論文参考訳（メタデータ） (2022-06-08T21:32:50Z)
Stochastic Gradient Descent-Ascent and Consensus Optimization for Smooth Games: Convergence Analysis under Expected Co-coercivity [49.66890309455787]
本稿では,SGDA と SCO の最終的な収束保証として,期待されるコヒーレンシティ条件を導入し,その利点を説明する。定常的なステップサイズを用いた場合、両手法の線形収束性を解の近傍に証明する。我々の収束保証は任意のサンプリングパラダイムの下で保たれ、ミニバッチの複雑さに関する洞察を与える。
論文参考訳（メタデータ） (2021-06-30T18:32:46Z)
Linear Last-iterate Convergence in Constrained Saddle-point Optimization [48.44657553192801]
我々は、OGDA(Optimistic Gradient Descent Ascent)とOMWU(Optimistic Multiplicative Weights Update)に対する最終段階の独特さの理解を著しく拡大する。平衡が一意である場合、線形終端収束は、値が普遍定数に設定された学習速度で達成されることを示す。任意のポリトープ上の双線型ゲームがこの条件を満たすことを示し、OGDAは一意の平衡仮定なしで指数関数的に高速に収束することを示した。
論文参考訳（メタデータ） (2020-06-16T20:53:04Z)

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。