論文の概要: Signed Rectified Flow: Negativity-Controlled Generation

• arxiv url: http://arxiv.org/abs/2607.18516v1
• Date: Mon, 20 Jul 2026 21:15:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.246534
• Title: Signed Rectified Flow: Negativity-Controlled Generation
• Title（参考訳）: 符号付き整流流:負性制御された生成
• Abstract要約: 署名整流 (Signed Rectified Flow) は、整流の一般化である。 符号付きRFは、符号付き測度が正の領域に確率を集中させ、負成分が支配する領域を確実に排除する。 これはImageNet上の忠実度と多様性のトレードオフを改善し、反記憶実験において最も近い隣り合う類似性を低減し、安定拡散3.5における敵のプロンプトによって引き起こされるヌードを低減させる。
• 参考スコア（独自算出の注目度）: 9.00515911221295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Signed Rectified Flow (Signed RF), a generalization of Rectified Flow that targets the signed measure $π^{sign} = (1+α)π^+ - απ^-$, where $α>0$, $π^+$ is the distribution to promote, and $π^-$ is the distribution to suppress. Although direct sampling from a signed measure is not well-defined, Signed RF induces a valid generative process that concentrates probability in regions where the signed measure is positive while provably excluding regions dominated by its negative component. It therefore provides a principled framework for incorporating negative information and exclusion constraints into generative modeling. We analyze the signed continuity equation underlying Signed RF and use a charged-particle interpretation to explain how negative mass forms exclusion barriers. This theory further motivates practical adaptive guidance algorithms. Across several applications, Signed RF improves the fidelity-diversity trade-off on ImageNet, reduces nearest-neighbor similarity in anti-memorization experiments, and reduces nudity induced by adversarial prompts in Stable Diffusion 3.5 while preserving CLIP and aesthetic scores.
• Abstract（参考訳）: これは符号付き測度 $π^{sign} = (1+α)π^+ - απ^-$ であり、$α>0$, $π^+$ は促進する分布であり、$π^-$ は抑制する分布である。 符号付き測度からの直接サンプリングは十分に定義されていないが、符号付きRFは、符号付き測度が正の領域において確率を集中する有効な生成過程を誘導し、負の成分によって支配される領域を確実に排除する。 したがって、負の情報と排他的制約を生成モデリングに組み込むための原則化されたフレームワークを提供する。 我々は、符号付きRFに基づく符号付き連続性方程式を解析し、荷電粒子解釈を用いて、負の質量がどのように排他障壁を形成するかを説明する。 この理論はさらに実用的な適応誘導アルゴリズムを動機付けている。 いくつかの応用において、Signed RFはImageNet上の忠実度と多様性のトレードオフを改善し、反記憶化実験において最も近い隣り合う類似性を低減し、CLIPと美的スコアを保存しながら、安定拡散3.5における敵のプロンプトによって引き起こされるヌードを減少させる。

関連論文リスト

• ResRL: Boosting LLM Reasoning via Negative Sample Projection Residual Reinforcement Learning [60.411097231348975]
  RLVRによる強化学習は大規模言語モデル(LLM)の推論を強化する 本稿では,正と負の応答間で類似した意味分布を分離する,正のサンプル投影Residual Reinforcement Learning (ResRL)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T03:57:44Z)
• Via Negativa for AI Alignment: Why Negative Constraints Are Structurally Superior to Positive Preferences [0.786119752211706]
  負のフィードバックしか持たない大規模言語モデルのトレーニングは、人間のフィードバックから標準的な強化学習と一致したり、超えたりすることができる。 負の信号がこれほど効果的である理由を説明する統一的な理論的な説明は存在しない。 正の選好と負の制約は構造的に非対称である。
  論文  参考訳（メタデータ） (2026-03-17T11:52:18Z)
• Angular Regularization for Positive-Unlabeled Learning on the Hypersphere [4.496299932663936]
  Positive-Unlabeled (PU)学習は、正の例のサブセットのみをラベル付けした分類問題に対処する。 本稿では,コサイン類似性と角マージンを用いたユニットハイパースフィアで動作する新しいPUフレームワークであるAngularPUを提案する。 我々は、角決定規則のベイズ最適性、学習したプロトタイプの整合性、およびラベルのない分布に対する正規化器の効果に関する理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-12-07T10:59:35Z)
• Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
  注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。 NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。 NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
  論文  参考訳（メタデータ） (2025-05-27T13:30:46Z)
• Debiased Contrastive Learning of Unsupervised Sentence Representations [88.58117410398759]
  コントラスト学習は、事前訓練された言語モデル(PLM)を改善し、高品質な文表現を導き出すのに有効である。 以前の作業は、主にランダムにトレーニングデータからバッチ内陰性またはサンプルを採用する。 我々はこれらの不適切な負の影響を軽減するための新しいフレームワーク textbfDCLR を提案する。
  論文  参考訳（メタデータ） (2022-05-02T05:07:43Z)
• Hard Negative Sampling via Regularized Optimal Transport for Contrastive Representation Learning [13.474603286270836]
  本研究では、教師なしコントラスト表現学習のためのハードネガティブサンプリング分布の設計問題について検討する。 本稿では,最大(Worst-case)一般化されたコントラスト学習損失を最小限に抑える表現を求める新しいmin-maxフレームワークの提案と解析を行う。
  論文  参考訳（メタデータ） (2021-11-04T21:25:24Z)

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。