Fugu-MT 論文翻訳(概要): Expanding Flow Maps

論文の概要: Expanding Flow Maps

arxiv url: http://arxiv.org/abs/2607.21585v1
Date: Thu, 23 Jul 2026 17:57:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-24 18:26:25.528574
Title: Expanding Flow Maps
Title（参考訳）: フローマップの拡張
Authors: Sophia Tang, Pranam Chatterjee,
Abstract要約: 本稿では,拡大する補間体に沿った次元性の増大する分布間のフローを定義するEFlow(Expanding Generative Flows)を提案する。また,拡張型フローマップ (EFMs) を提案する。これは,拡張型補間材を効率の良い数ステップ生成モデルに蒸留する新しいフローマップである。
参考スコア（独自算出の注目度）: 1.7370580277522716
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Flow-based generative models have enabled remarkable progress in fast and controllable generation across continuous and discrete state spaces, yet existing parameterizations are constrained to fixed dimensions or fixed sequence lengths. Here, we introduce Expanding Generative Flows (EFlows), which define flows between distributions of increasing dimensionality along an expanding interpolant that grows the state by augmenting it with conditional noise. Building on this construction, we propose Expanding Flow Maps (EFMs), a new class of flow maps that distill the expanding interpolant into efficient few-step generative models. Each EFM factors the map between any two timesteps into two learnable operations: an expand operator, which augments the state space with new coordinates or tokens conditioned on the current state, and a transport map, which pushes the expanded state forward along the interpolant. Composing these operators yields a single map that jointly expands and denoises the state, recovering existing fixed-canvas flows and flow maps as the special case in which the expand operator is the identity. We further extend the framework to the discrete simplex, enabling variable-size graph generation and variable-length sequence generation. Across both continuous and discrete modalities, we establish EFlows and EFMs as a principled framework for settings in which output size is itself a learned, controllable degree of freedom.
Abstract（参考訳）: フローベース生成モデルは、連続的および離散的な状態空間における高速かつ制御可能な生成の顕著な進歩を実現しているが、既存のパラメータ化は固定次元または固定シーケンス長に制約されている。本稿では, 拡張型生成フロー (EFlows) を導入し, 条件付き雑音を付加することにより, 状態が増大する補間体に沿って, 次元が増大する分布間のフローを定義する。この構成に基づいて,拡張フローマップ (EFMs) を提案する。それぞれのEMMは、任意の2つのタイムステップ間のマップを、2つの学習可能な操作に分解する: 現在の状態に条件付けられた新しい座標やトークンで状態空間を拡大する拡張演算子と、インターポーラントに沿って拡張状態を前進させるトランスポートマップである。これらの演算子を構成することは、状態を共同で拡張して認知する単一の写像を生成し、拡張作用素が恒等性である特別な場合として、既存の固定キャンバスフローとフローマップを復元する。さらに、このフレームワークを離散的単純度に拡張し、可変サイズのグラフ生成と可変長シーケンス生成を可能にする。連続的なモードと離散的なモードの両方で、出力サイズ自体が学習可能な自由度であるような設定のための原則的なフレームワークとして、EFlowsとEMFを確立します。

関連論文リスト

Active Flow Expansion for Out-of-Distribution Discovery: from Theory to Molecules [62.81692030818376]
本稿では,モデルの生成可能な集合を拡大し,有効設計空間のカバレッジを増大させる,分散フローモデリングのための新しい学習原理を提案する。本稿では, 検証器フィードバックを用いて, 新しい有効領域に事前学習モデルを拡張する, 継続的な事前学習手法であるアクティブフロー拡張(ActFlow)を提案する。その結果、ActFlowは、初期訓練済みモデルによってモデル化された領域を超えて、有効な範囲を広げ、広く採用されている合成フロー事前学習法よりもはるかに優れていることがわかった。
論文参考訳（メタデータ） (2026-06-07T19:43:22Z)
STARFlow2: Bridging Language Models and Normalizing Flows for Unified Multimodal Generation [56.964292897565024]
自己回帰正規化フローを示し,LLMと同じ因果マスク,KV-cache機構,左右構造を共有する。我々は、画像生成およびマルチモーダル理解ベンチマークにおける強力な性能を示し、統合マルチモーダルモデリングの基盤として自己回帰フローを検証した。
論文参考訳（メタデータ） (2026-05-08T17:14:43Z)
A Few-Step Generative Model on Cumulative Flow Maps [25.03991490159211]
確率空間における長距離輸送のためのエンファンキュラティブフローマップに基づく,統一的で数段階の生成モデリングフレームワークを提案する。コアとなるのは累積フローの抽象化で、ローカル、即時のアップデートと有限時間転送を接続する。画像生成,幾何分布モデリング,共同予測,SDF生成など,様々なタスクにまたがる効果を示す。
論文参考訳（メタデータ） (2026-05-05T10:51:40Z)
A Unified Density Operator View of Flow Control and Merging [37.902481322917396]
本稿では,制約ケースとして仮定し,報酬誘導型フローマージを可能にする統一確率空間フレームワークを提案する。また、リワードガイドフローマージング(RFM)を導入し、報酬誘導フローマージングを標準的な微調整問題に還元するミラー発光方式を提案する。 RFMによる報酬誘導と純フローマージの第一種理論的保証を提供する。
論文参考訳（メタデータ） (2026-02-08T15:27:28Z)
Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
論文参考訳（メタデータ） (2026-01-30T03:59:38Z)
Branching Flows: Discrete, Continuous, and Manifold Flow Matching with Splits and Deletions [0.0]
Branching Flowsは、単純な分散をデータ分散に転送する生成モデリングフレームワークである。分岐フローは,任意のフローマッチングベースプロセスで離散集合上に構成可能であることを示す。小分子生成(multimodal)、抗体配列生成(discrete)、タンパク質バックボーン生成(multimodal)の3つの領域でこれを実証する。
論文参考訳（メタデータ） (2025-11-12T16:31:12Z)
Align Your Flow: Scaling Continuous-Time Flow Map Distillation [63.927438959502226]
フローマップは、任意の2つのノイズレベルを1ステップで接続し、すべてのステップカウントで有効に保ちます。画像生成ベンチマークにおいて、Align Your Flowと呼ばれるフローマップモデルを広範囲に検証する。テキスト条件付き合成において、既存の非横断的訓練された数ステップのサンプルよりも優れたテキスト間フローマップモデルを示す。
論文参考訳（メタデータ） (2025-06-17T15:06:07Z)
FlowHON: Representing Flow Fields Using Higher-Order Networks [4.761836945285552]
FlowHONは、フローフィールドから高階ネットワーク(HON)を構築するためのアプローチである。 FlowHONは、フローフィールドに固有の高階依存関係をノードとしてキャプチャし、それらの間の遷移をエッジとして推定する。
論文参考訳（メタデータ） (2023-12-04T11:50:25Z)
Generative Flows with Invertible Attentions [135.23766216657745]
生成フローモデルに対する2種類の非可逆的注意機構を導入する。フロー特徴写像の2分割毎に注意重みと入力表現を学習するために,分割に基づく注意機構を利用する。提案手法は, トラクタブルジャコビアン行列を用いた非可逆アテンションモジュールをフローベースモデルの任意の位置にシームレスに統合する。
論文参考訳（メタデータ） (2021-06-07T20:43:04Z)
SurVAE Flows: Surjections to Bridge the Gap between VAEs and Flows [78.77808270452974]
SurVAE Flowsは、VAEと正規化フローを含む構成可能な変換のためのモジュラーフレームワークである。提案手法は,SurVAE フローとして表現できることが示唆された。
論文参考訳（メタデータ） (2020-07-06T13:13:22Z)
VFlow: More Expressive Generative Flows with Variational Data Augmentation [33.431861316434706]
トラクタビリティは生成フローにアーキテクチャ上の制約を課し、他の生成モデルよりも表現性が低い。この制約に対処するために、いくつかの余分な次元でデータを拡大し、拡張データのための生成フローを共同で学習する。我々のアプローチであるVFlowは、生成フローの一般化であり、従って常により良い性能を発揮する。
論文参考訳（メタデータ） (2020-02-22T18:03:44Z)

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。