論文の概要: Velocity Scheduled Flow Matching
- arxiv url: http://arxiv.org/abs/2607.11442v1
- Date: Mon, 13 Jul 2026 11:50:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.457477
- Title: Velocity Scheduled Flow Matching
- Title（参考訳）: 速度スケジューリングフローマッチング
- Abstract要約: フローマッチングはニューラルネットワークを訓練し、ノイズとデータの間の線形補間子に沿って条件速度を後退させる。
条件付きターゲットに取って代わるVelocity Scheduled Flow Matchingを導入する。
VSFMは、一様でないプロファイルにODEを統合することで、任意の許容プロファイルの下でサンプル化することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flow matching trains a neural network to regress the conditional velocity along a linear interpolant between noise and data, and the number of network evaluations~(NFE) sets the cost of sampling. The straight-line interpolant carries an implicit choice: the sample moves at constant speed throughout the trajectory. We relax this choice and introduce Velocity Scheduled Flow Matching~(VSFM), which replaces the conditional target $x_1 - x_0$ with $v(t)(x_1 - x_0)$ for any nonnegative profile $v:[0,1]\to\mathbb{R}_{\geq 0}$ satisfying $\int_0^1 v\,dt = 1$. We study six polynomial profiles drawn from motion planning. The first use of VSFM is at inference time: a pretrained linear flow-matching model can be sampled under any admissible profile by integrating its ODE on a non-uniform $τ$-schedule, with no retraining and no additional computation; on CIFAR-10 this lowers FID by up to $19.8\%$. Training from scratch under a braking profile gives a further reduction of $17.4\%$ at $4$~NFE. Both gains follow from the local truncation error of the Euler integrator on the induced grid.
- Abstract（参考訳）: フローマッチングは、ニューラルネットワークをトレーニングして、ノイズとデータの間の線形補間子に沿って条件速度を回帰させ、ネットワーク評価の数~(NFE)がサンプリングコストを設定する。
直線補間剤は暗黙の選択肢を持ち、サンプルは軌道中を一定の速度で移動する。
この選択を緩和し、Velocity Scheduled Flow Matching~(VSFM)を導入します。これは条件付きターゲット$x_1 - x_0$を$v(t)(x_1 - x_0)$に置き換えます。
動作計画から引き出された6つの多項式プロファイルについて検討する。
事前トレーニングされた線形フローマッチングモデルは、非ユニフォームの$τ$-scheduleにODEを統合することで、任意の許容プロファイルの下でサンプル化することができる。
ブレーキプロファイルの下でスクラッチからトレーニングすることで、さらに17.4 %$を4ドルからNFEに下げることができる。
両方の利得は、誘導格子上のオイラー積分器の局所的乱れ誤差から従う。
関連論文リスト
- Same Flow, Different Paths: Variance Reduction in Flow Matching [67.12978375116599]
最適化の観点から,この経路の選択について検討する。
我々の主な発見は、パス $g_t$ の選択は、SGDの収束率を根本的に変えることができるということである。
論文 参考訳（メタデータ） (2026-09-15T15:01:04Z) - Round-Trip Consistency: Bidirectional Diffusion Models Can Predict Their Own Rollout Errors [51.56484100374058]
自動回帰モデルは、長時間のロールアウトでエラーを蓄積しますが、デプロイ時には、それを測定するための基本的な真実はありません。
我々は、方向フラグを介して動的システムを前方または後方にステップする単一の条件付き潜在拡散モデルを訓練する。
この双方向性は測定不要なテスト時間誤差信号を提供することを示す。
論文 参考訳（メタデータ） (2026-08-01T13:49:46Z) - Conditioning Tree-Based Diffusions and Flows for Probabilistic Tabular Regression [0.0]
木に基づく拡散モデルは、神経密度推定器を使わずに回帰の柔軟な条件付き予測分布に適合する。
これらのデフォルトはバインディングの制約であることを示す: 勾配のブーストされたアンサンブルが実際に解決するのは、教師付き回帰問題である。
DiffGBM を2つの軸に沿って明示する。
論文 参考訳（メタデータ） (2026-07-30T22:08:02Z) - x-Prediction Is All You Need:Training-Free Accelerated Generation via Endpoint Decodability [7.28668585578288]
拡散およびフローマッチングモデルは高品質なサンプルを生成するが、そのODEサンプルは数十万のニューラルファンクション評価(NFE)を必要とすることが多い。
多くの加速器は再訓練、蒸留、軌道再設計を通じて追加の設計選択と訓練コストを必要とするため、これはリリースされたチェックポイントにとって実用的な課題である。
我々は$x$-predictionに基づいて異なる経路を探索する。
SDXL、SD3.5M、Z-Image-Turbo、および3つのクラス条件ベンチマークで、NFEをほぼ一致した品質で20-70%削減する。
論文 参考訳（メタデータ） (2026-07-07T10:24:38Z) - Asymptotic-Preserving A Posteriori Analysis of Diffusion and Flow-Matching Samplers [0.6768558752130311]
拡散及びフローマッチングサンプリングは、学習した確率フローODEを、大きなノイズスケールから小さな終端フロア($_min$)まで統合し、スコアが硬く、フローが境界層を発達させる。
特異摂動パラメータとして$_min$を扱い、どの固定ステップサンプリングが解けるかを決定する。
論文 参考訳（メタデータ） (2026-07-05T04:48:33Z) - Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。
平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。
球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文 参考訳（メタデータ） (2026-03-11T12:41:46Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Flow Matching with Semidiscrete Couplings [29.980130720112726]
時間依存速度場としてパラメータ化された流れモデルは、ODEを統合することでノイズからデータを生成することができる。
これらのモデルは、しばしばフローマッチング、すなわちランダムなノイズ対とターゲットポイントをサンプリングすることによって訓練される。
理論上は有望ではあるが、OT-FM(OT flow matching)アプローチは実際には広く使われていない。
論文 参考訳（メタデータ） (2025-09-29T21:22:35Z) - Distilling Two-Timed Flow Models by Separately Matching Initial and Terminal Velocities [8.766883138603765]
TTFM蒸留における新しい損失関数として,Emphinitial/terminal velocity matching (ITVM) lossを提案する。
予備実験により、これらの損失は、複数のタイプのデータセットにおいて、より少ないステップ生成性能をもたらすことが示された。
論文 参考訳（メタデータ） (2025-05-02T10:17:49Z) - IT$^3$: Idempotent Test-Time Training [95.78053599609044]
ディープラーニングモデルは、トレーニングデータとテストデータの間の分散シフトのために、現実世界の環境にデプロイする際に苦労することが多い。
Idempotent Test-Time Training (IT$3$) は、現在のテストインスタンスのみを使用して、分散シフトへのオンザフライ適応を可能にする新しいアプローチである。
この結果から,イデオポテンスはドメインやアーキテクチャをまたいで一般化するテスト時間適応の普遍的原理を提供すると考えられる。
論文 参考訳（メタデータ） (2024-10-05T15:39:51Z) - Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。
本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。
特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
論文 参考訳（メタデータ） (2023-07-07T15:42:35Z) - Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。
i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
論文 参考訳（メタデータ） (2020-07-16T06:44:44Z) - Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and
Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。
Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文 参考訳（メタデータ） (2020-06-04T17:51:00Z)
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。