論文の概要: BayesFP: Posterior Estimation for Flow-Based Policies via Feynman-Kac Sampling

• arxiv url: http://arxiv.org/abs/2606.21014v1
• Date: Fri, 19 Jun 2026 00:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 09:01:18.403549
• Title: BayesFP: Posterior Estimation for Flow-Based Policies via Feynman-Kac Sampling
• Title（参考訳）: BayesFP:Feynman-Kacサンプリングによるフローベース政策の後方推定
• Authors: Sreevardhan Sirigiri, Weiming Zhi, Fabio Ramos,
• Abstract要約: 我々は、フローマッチングポリシーのための統一的、推論時間、再学習不要なサンプルラを開発する。 ゼロショット最適タスクにおけるベース$_0.5の改善を示す。
• 参考スコア（独自算出の注目度）: 7.25385467896207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robots must generate trajectories that remain faithful to learned expert behavior while satisfying safety constraints and task-specific objectives specified only at inference time. We formulate constrained trajectory generation for pretrained diffusion and flow-matching policies as Bayesian posterior sampling, with the learned demonstration distribution as a prior and an inference-time, cost-derived likelihood tilting it toward feasible, optimal trajectories. To sample from this posterior without any retraining of the base policy, we leverage the Feynman--Kac corrector framework, originally formulated for diffusion models, and extend it to deterministic flow-matching policies. The result is a unified, inference-time, retraining-free sampler for diffusion and flow policies. We validate the approach on pretrained Diffusion Policy, GR00T-N1.6, and $π_{0.5}$ checkpoints across simulated and real-world manipulation tasks, including planning around non-convex obstacles introduced at inference time, and show improvements over the base $π_{0.5}$ on zero-shot tasks.
• Abstract（参考訳）: ロボットは、安全性の制約と推論時にのみ指定されたタスク固有の目的を満たす一方で、学習した専門家の行動に忠実な軌道を生成する必要がある。 本研究では,事前訓練された拡散・流路整合ポリシに対する制約付き軌道生成をベイジアン後方サンプリングとして定式化し,学習された実証分布を予測時間,コスト由来の確率分布として,実現可能な最適軌道へ傾けるようにした。 基本方針の再学習なしにこの後部からサンプルを採取するために、拡散モデルのためにもともと定式化されたFeynman-Kac補正フレームワークを活用し、決定論的フローマッチングポリシーに拡張する。 結果は、拡散とフローポリシーのための統合された、推論時間、再学習不要なサンプルラーである。 シミュレーションおよび実世界の操作タスクにまたがる事前学習拡散政策,GR00T-N1.6 および $π_{0.5}$チェックポイントに対するアプローチを検証する。

関連論文リスト

• A Stabilized Path-Space Approach to Diffusion-Based Posterior Sampling [12.537644240443086]
  拡散モデルは、逆問題に対する表現力のあるデータ駆動の事前情報を提供する。 多くの拡散後部サンプリング器は、非線形演算子や多重モード後部で失敗する可能性のあるガイダンス近似に依存している。 拡散型後続サンプリングのための安定化パス空間フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-06-10T21:55:55Z)
• Stochastic MeanFlow Policies: One-Step Generative Control with Entropic Mirror Descent [53.828537014796574]
  オンラインの非政治強化学習(RL)は、ポリシークラスと更新ルールの2つの選択肢によって構成されている。 我々は、MeanFlow変換を通じてノイズをアクションにマッピングする一段階生成ポリシークラスであるMeanFlow Policiesを提案する。 7つのMuJoCoベンチマークで、Sは1ステップの推論効率を維持しながら、ガウスおよび生成ベースラインを改善する。
  論文  参考訳（メタデータ） (2026-05-20T15:14:14Z)
• ProFlow: Zero-Shot Physics-Consistent Sampling via Proximal Flow Guidance [35.08166384258028]
  ProFlowはゼロショット物理一貫性サンプリングのためのフレームワークである。 厳密な物理的整合性と観測的忠実さを事前訓練された前の統計構造と整合させる。 これは、より正確な分布統計だけでなく、より優れた物理的および観測的整合性を達成する。
  論文  参考訳（メタデータ） (2026-01-28T03:57:00Z)
• Reverse Flow Matching: A Unified Framework for Online Reinforcement Learning with Diffusion and Flow Policies [4.249024052507976]
  本稿では, 直接的対象サンプルを使わずに, 拡散・流動モデルの訓練問題に厳密に対処する, 逆流マッチング (RFM) の統一フレームワークを提案する。 逆推論の観点を採用することで、中間雑音サンプルが与えられた後部平均推定問題としてトレーニング対象を定式化する。 このクラスでは,既存の雑音予測法と勾配探索法が2つの具体例であることを示す。
  論文  参考訳（メタデータ） (2026-01-13T01:58:24Z)
• One-Step Flow Policy Mirror Descent [52.31612487608593]
  Flow Policy Mirror Descent (FPMD)は、フローポリシー推論中の1ステップのサンプリングを可能にするオンラインRLアルゴリズムである。 本手法は, 直流整合モデルにおける単段サンプリングの分散分散と離散化誤差の理論的関係を利用する。
  論文  参考訳（メタデータ） (2025-07-31T15:51:10Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Early Stopping in Contextual Bandits and Inferences [0.5439020425819]
  過剰なサンプリングはコストがかかり、早期停止法と信頼性のある実験後の推論の破壊を動機付ける。 本稿では, サンプリングコストを考慮しつつ, 実験中の後悔を最小限に抑えるために, 事前決定およびオンライン停止ルールを含む, 線形文脈帯域の早期停止法について検討する。
  論文  参考訳（メタデータ） (2025-02-05T00:40:10Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Unsupervised Sampling Promoting for Stochastic Human Trajectory Prediction [10.717921532244613]
  本稿では,ベイズ最適化を教師なしで適応的にマイニングするBOsamplerという手法を提案する。 具体的には、軌道サンプリングをガウス過程としてモデル化し、潜在的なサンプリング値を測定するための獲得関数を構築する。 この取得関数は、元の分布を予め適用し、長い尾領域の経路を探索することを奨励する。
  論文  参考訳（メタデータ） (2023-04-09T19:15:14Z)
• Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
  ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。 我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。 Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-24T05:18:17Z)

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。