Fugu-MT 論文翻訳(概要): Heavy-Tailed Flow Matching via Random Clocks

論文の概要: Heavy-Tailed Flow Matching via Random Clocks

arxiv url: http://arxiv.org/abs/2607.13841v1
Date: Wed, 15 Jul 2026 13:48:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-16 16:39:12.78923
Title: Heavy-Tailed Flow Matching via Random Clocks
Title（参考訳）: ランダムクロックによるヘビープレートフローマッチング
Abstract要約: 不均衡な画像データセット、財務リターン、気象極端など、まれな出来事が不均等な重要性を持つ多くの領域で重大データが発生する。本稿では,ヘビーテールソースを時計条件のガウスソースの混合として表現するフレームワークであるランダムクロック(Random Clocks, HTFM)によるヘビープレートフローマッチングを提案する。
参考スコア（独自算出の注目度）: 52.78194016835051
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Heavy-tailed data arise in many domains where rare events carry disproportionate importance, such as imbalanced image datasets, financial returns, and weather extremes. Standard diffusion and flow-matching models typically begin from Gaussian noise or Gaussian source distributions, which yield tractable training targets but provide a poor inductive match for heavy-tailed data. We propose Heavy-Tailed Flow Matching via Random Clocks (HTFM), a framework that portrays heavy-tailed sources as mixtures of clock-conditioned Gaussian sources. Conditioning on a given clock path, the source distribution and flow are Gaussian; marginalizing over the clock gives a Gaussian scale mixture covering Gaussian, $α$-stable, and Student-t families. To make the clock-conditioned vector field practical, we encode the path-valued clock using truncated logsignature features, allowing the velocity field to adapt to the realized conditional space with negligible overhead. Empirically, on 2D imbalanced $α$-stable mixtures, CIFAR10-LT, and HRRR weather fields, HTFM improves mode coverage, sample quality, and tail-statistic recovery over Gaussian flow matching and competitive heavy-tailed baselines, while retaining the low-NFE sampling advantage of flow matching. Moreover, the random-clock formulation further provides a practical tail-control interface: by varying only the clock law or tail parameter, the same architecture can calibrate the ``heaviness'' of generated tails across different distribution families.
Abstract（参考訳）: 不均衡な画像データセット、財務リターン、気象極端など、まれな出来事が不均等な重要性を持つ多くの領域で重大データが発生する。標準拡散およびフローマッチングモデルは、通常ガウスノイズまたはガウス音源分布から始まり、牽引可能な訓練目標を得るが、重み付きデータに対する誘導性に乏しい。本稿では,ヘビーテールソースを時計条件のガウスソースの混合として表現するフレームワークであるランダムクロック(Random Clocks, HTFM)によるヘビープレートフローマッチングを提案する。ソース分布とフローはガウシアンであり、ガウシアン、$α$-stable、および学生-t族をカバーするガウシアンスケールの混合を与える。クロック条件のベクトル場を現実的にするために、トランカットしたログシグナチャ特徴を用いてパス値のクロックを符号化し、速度場を無視可能なオーバーヘッドで実現された条件空間に適応させる。実験的に、2次元不均衡な$α$-stable混合体、CIFAR10-LTおよびHRRR気象場において、HTFMは、フローマッチングの低NFEサンプリングの利点を維持しつつ、ガウスフローマッチングと競合するヘビーテールベースラインに対するモードカバレッジ、サンプル品質、テール統計的回復を改善した。さらに、ランダムクロックの定式化により、実用的なテール制御インタフェースが提供される: クロック法則やテールパラメータだけを変えることで、同じアーキテクチャは、異なる分布族間で生成されたテールの'ヘビネス'をキャリブレーションすることができる。

関連論文リスト

Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
論文参考訳（メタデータ） (2026-08-07T12:28:45Z)
LC-GRPO: Bridging Train-Inference Gap for Flow-Based GRPO with Langevin Correction [59.32834240526981]
フローベース生成モデルは典型的には、決定論的常微分方程式(ODE)を解くことによってサンプリングされる既存の流れモデルのためのGRPO法は、訓練中にオイラー時間ODEを非等方微分方程式(SDE)に置き換える。本稿では,フローベースGRPOフレームワークであるLC-GRPOを紹介する。
論文参考訳（メタデータ） (2026-08-06T04:47:57Z)
Simplifying Flow Matching Transformations with Low-Rank Mixture Models [58.797704398690165]
本稿では,確率的主成分分析器(MPPCA)の混合物を流動の正規化のための潜在密度として用いることを提案する。我々は,KL分散の観点でデータ分布とより密接に一致した潜在分布を学習することにより,学習フロー変換を単純化する。 MPPCAモデルは期待最大化アルゴリズムを用いて迅速かつ安価に適合し、高次元生成タスクにおいても潜在分布を初期化するための実用的な選択となる。
論文参考訳（メタデータ） (2026-06-29T03:03:06Z)
Coreset-Induced Conditional Velocity Flow Matching [4.297295761793895]
データインフォームドソース分布を用いて階層的整流を増大させる生成モデルを提案する。鍵となる観測は、この内部のソースは、ターゲットのコアセットから構築されたクローズドフォームのサロゲートに置き換えられることである。この正確なサロゲート源から訓練された軽量な補正流は、残りのサロゲートからターゲットへの残留物を洗練させる。
論文参考訳（メタデータ） (2026-05-13T03:34:40Z)
MixFlow: Mixed Source Distributions Improve Rectified Flows [18.451270798004344]
拡散モデルとその変種(整流など)は、多彩で高品質な画像を生成する。それらは、彼らが学習する高度に湾曲した生成経路によって引き起こされる、遅い反復的なサンプリングによって妨げられる。生成経路曲率を低減し,サンプリング効率を大幅に向上させる訓練戦略であるMixFlowを提案する。
論文参考訳（メタデータ） (2026-04-10T10:06:15Z)
Fast Sampling for Flows and Diffusions with Lazy and Point Mass Stochastic Interpolants [5.492889521988414]
任意のスケジュール下で任意の拡散係数で微分方程式(SDE)のサンプルパスを変換する方法を証明する。次に、補間フレームワークを拡張して、より大きな点質量スケジュールのクラスを許容する。
論文参考訳（メタデータ） (2026-02-03T17:48:34Z)
Scale-Adaptive Generative Flows for Multiscale Scientific Data [20.583125441867434]
フローベースの生成モデルは、マルチスケールのフーリエスペクトルで科学データをモデル化する際の課題に直面することがある。鍵となる洞察は、ノイズが目標データよりも滑らかでないことであり、初期時間に近い境界ドリフト場を確保することである。スペクトル整合雑音は標準的なホワイトノイズ法に比べて数値効率が向上することを示す。
論文参考訳（メタデータ） (2025-09-03T03:17:49Z)
Gaussian Mixture Flow Matching Models [63.092956669059824]
拡散モデルは正規分布をガウス平均として近似し,その平均を推定する一方,フローマッチングモデルはガウス平均をフロー速度としてパラメータ化する。離散化誤差による数段階のサンプリングでは性能が低下し、分類器フリーガイダンス(CFG)では過飽和色が生じる傾向にある。本稿では,CFGの過飽和問題を緩和し,画像生成品質を向上する新しい確率的ガイダンス手法を提案する。
論文参考訳（メタデータ） (2025-04-07T17:59:42Z)
Stream-level flow matching with Gaussian processes [4.935875591615496]
条件付きフローマッチング(CFM)は、連続正規化フロー(CNF)を適合させる訓練アルゴリズムの一群である。我々は、ストリームに沿った条件付き確率パス、ソースとターゲットのデータペアを接続する遅延パスのインスタンスを定義することで、CFMアルゴリズムを拡張した。本研究では, CFMの一般化により, 推定限界ベクトル場の分散を適度な計算コストで効果的に低減できることを示す。
論文参考訳（メタデータ） (2024-09-30T15:47:22Z)
Marginalization Consistent Probabilistic Forecasting of Irregular Time Series via Mixture of Separable flows [4.489135297410294]
不規則な時系列における目標の連立分布の確率論的予測モデルは、機械学習においてあまり研究されていない分野である。 MOSES(Marginalization Consistent Mixture of Separable Flows)は,複数の潜伏ガウス過程と分離可能なユニ-正規性フローの混合をパラメタライズするモデルである。 4つのデータセットの実験では、MOSESは正確な結合予測と限界予測の両方を達成し、他の余分化の基線を全て上回り、ProFITiをわずかに下回っただけで、余分分布の予測では圧倒的に優れていることが示されている。
論文参考訳（メタデータ） (2024-06-11T13:28:43Z)
Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文参考訳（メタデータ） (2023-06-27T08:15:28Z)

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。