論文の概要: FUSE: FK-Steered Multi-Modal Flow Matching for Efficient Simulation-Based Posterior Estimation
- arxiv url: http://arxiv.org/abs/2607.05252v1
- Date: Mon, 06 Jul 2026 15:59:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.232114
- Title: FUSE: FK-Steered Multi-Modal Flow Matching for Efficient Simulation-Based Posterior Estimation
- Title（参考訳）: FUSE:効率的なシミュレーションに基づく後部推定のためのFK-Steered Multi-Modal Flow Matching
- Abstract要約: FUSE (Feynman-Kac steered mUlti-modal flow matching for efficient Simulation-based posterior Estimation) を導入する。
以前の作業とは異なり、FUSEは動的相互作用を容易にしながらマルチモーダル入力の異なる特徴を保存するデュアルトラックアーキテクチャを採用している。
提案手法は, 標準SBIベンチマークにおける最先端のベースラインよりも優れており, 基幹のMCMCと密に一致した後部を創出する。
- 参考スコア（独自算出の注目度）: 47.3675633392999
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulation-Based Inference (SBI) is critical for scientific discovery, with generative models offering a promising path toward efficient inference. However, existing methods struggle with effective multimodal modeling. They often rely on brute-force fusion strategies that ignore the structural disparities between parameters and observations, thus limiting estimation fidelity. In this work, we introduce FUSE (Feynman-Kac steered mUlti-modal flow matching for efficient Simulation-based posterior Estimation). Unlike prior work, FUSE employs a dual-track architecture that preserves the distinct features of multimodal inputs while facilitating dynamic interaction. Additionally, we propose an FK-steered sampling strategy that leverages intermediate observation likelihoods to guide the generative trajectories, effectively improving the sample quality during inference. Our approach outperforms state-of-the-art baselines on standard SBI benchmarks, producing posteriors that closely match ground-truth MCMC. Furthermore, in a real-world exoplanet orbital estimation task, FUSE successfully resolves complex parameter degeneracies that challenge existing methods, highlighting its potential to accelerate complex scientific discoveries in astrophysics and beyond.
- Abstract（参考訳）: シミュレーションベースの推論(SBI)は科学的発見にとって重要であり、生成モデルは効率的な推論への有望な経路を提供する。
しかし、既存の手法は効果的なマルチモーダルモデリングに苦慮している。
彼らはしばしば、パラメータと観測値の間の構造的格差を無視し、推定忠実度を制限するブルート力融合戦略に依存している。
本稿では,FUSE(Feynman-Kac steered mUlti-modal flow matching for efficient Simulation-based posterior Estimation)を紹介する。
以前の作業とは異なり、FUSEは動的相互作用を容易にしながらマルチモーダル入力の異なる特徴を保存するデュアルトラックアーキテクチャを採用している。
さらに, 中間観測可能性を利用して生成軌道を誘導し, 推論時の試料品質を効果的に向上するFKステアリングサンプリング戦略を提案する。
提案手法は, 標準SBIベンチマークにおける最先端のベースラインよりも優れており, 基幹のMCMCと密に一致した後部を創出する。
さらに、現実世界の太陽系外惑星軌道推定タスクでは、FUSEは既存の手法に挑戦する複雑なパラメータの退化をうまく解決し、天体物理学などの複雑な科学的発見を加速させる可能性を強調している。
関連論文リスト
- Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。
様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
論文 参考訳（メタデータ） (2026-06-27T02:56:46Z) - AlignMamba-2: Enhancing Multimodal Fusion and Sentiment Analysis with Modality-Aware Mamba [56.52470564147458]
マルチモーダル融合と感情分析のための効率的かつ効率的なフレームワークである textbfAlignMamba-2 を提案する。
提案手法では, 最適輸送距離と最大平均離散度の両方を用いてモデルを正規化する2つのアライメント戦略を導入する。
さらに重要なことは、モダリティに特有かつモダリティに偏ったエキスパートによるMixture-of-Expertsアーキテクチャを採用したModality-Aware Mamba層を設計することです。
論文 参考訳（メタデータ） (2026-03-19T03:47:21Z) - FoundationSLAM: Unleashing the Power of Depth Foundation Models for End-to-End Dense Visual SLAM [50.9765003472032]
FoundationSLAMは、正確でロバストな追跡とマッピングのための学習ベースの単分子高密度SLAMシステムである。
我々の中核となる考え方は、基礎深度モデルからのガイダンスを活用することによって、推論によるフロー推定をブリッジすることである。
論文 参考訳（メタデータ） (2025-12-31T17:57:45Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Simulation-based Inference via Langevin Dynamics with Score Matching [8.296393653529206]
シミュレーションベース推論(SBI)は、確率が難しければベイズ解析が可能であるが、モデルシミュレーションが利用可能である。
本稿では,Langevinのダイナミックスとスコアマッチングを統合し,複雑な後部景観をより効率的に探索する新しいSBI手法を提案する。
提案手法では,シミュレーションコストを削減するローカライズ手法や,ログライクなスコアの統計構造を組み込んでスコアマッチング精度を向上させるアーキテクチャ正則化など,SBIのための調整されたスコアマッチング手法を提案する。
論文 参考訳（メタデータ） (2025-09-04T03:28:50Z) - FNOPE: Simulation-based inference on function spaces with Fourier Neural Operators [5.673617376471343]
本稿では,フローマッチングを目的としたフーリエ演算子 (FNO) アーキテクチャを用いた後部推定手法を提案する。
FNOPEは、技術手法の状態のシミュレーション予算のごく一部で関数値パラメータの推測を行うことができる。
FNOPEは、関数値パラメータの推論を可能にすることにより、SBI法を新しい科学的領域に適用可能にする。
論文 参考訳（メタデータ） (2025-05-28T16:46:56Z) - HyperFLINT: Hypernetwork-based Flow Estimation and Temporal Interpolation for Scientific Ensemble Visualization [26.472939569860607]
HyperFLINTは、流れ場を推定し、時間的に補間し、アンサンブルデータにおけるパラメータ空間探索を容易にする、新しいディープラーニングベースのアプローチである。
一連の実験では、HyperFLINTのフロー場推定性能が大幅に向上し、パラメータ空間探索が可能になった。
論文 参考訳（メタデータ） (2024-12-05T12:01:20Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - Stochastic Gradient Bayesian Optimal Experimental Designs for
Simulation-based Inference [0.0]
比に基づくSBI推論アルゴリズムと勾配に基づく変分推論を相互情報のバウンダリを利用して重要な接続を確立する。
この接続により、実験的な設計と償却推論関数の同時最適化を拡張できる。
論文 参考訳（メタデータ） (2023-06-27T18:15:41Z) - A stable deep adversarial learning approach for geological facies
generation [32.97208255533144]
深層生成学習は、従来の地形シミュレーションモデルの限界を克服するための有望なアプローチである。
本研究は, 地下ボリュームにおける条件付き蛇行チャネルに対する, 生成的対向ネットワークと深部変動推論の適用性について検討することを目的とする。
論文 参考訳（メタデータ） (2023-05-12T14:21:14Z) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-10-12T09:12:59Z)
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。