論文の概要: The Geometric Nature and a Free Proxy for Flow-Matching Uncertainty
- arxiv url: http://arxiv.org/abs/2607.27933v2
- Date: Tue, 04 Aug 2026 06:18:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 13:15:27.402612
- Title: The Geometric Nature and a Free Proxy for Flow-Matching Uncertainty
- Title（参考訳）: 流動整合不確かさの幾何学的性質と自由プロキシ
- Authors: Ziyang Rao, Yiren Zhao, Weiyu Guo, Ben Fei, Yandong Guo, Hui Xiong,
- Abstract要約: フローマッチング(FM)は、現代のエンボディドモデルにおいて一般的なアクションヘッドパラダイムとなっている。
理想的なアフィン等方性収縮場からの逸脱として不確実性を示す。
我々は,1つの前方通過路からの軌道の曲げを測定するコストフリーの不確実性プロキシであるデノナイジングアクセラレーション(mathrmaccel$)を導入する。
- 参考スコア（独自算出の注目度）: 40.15880250907137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Flow matching (FM) has become a popular action head paradigm for modern embodied models. However, as a conditional generative model, it does not explicitly expose its inherent uncertainty, producing faulty action chunks even when it misinterprets the scene or encounters out-of-distribution (OOD) inputs. Therefore, determining when an FM-generated action can be trusted is essential for safe deployment, yet existing uncertainty estimation methods on real-time control suffer from several issues: extra training budget, high computational overhead, and low generalization ability. In this work, we provide a geometric interpretation of FM uncertainty in the velocity field, showing that uncertainty manifests as deviation from an ideal affine-isotropic contraction field. Building on this observation, we introduce denoising acceleration ($\mathrm{accel}$), a highly-generalizable and cost-free uncertainty proxy that measures the bending of the denoising trajectory from a single forward pass, without additional model evaluations, training, or resampling. We theoretically and empirically demonstrate that $\mathrm{accel}$ is a faithful proxy for FM uncertainty and further test its utility in online failure detection. Results show that $\mathrm{accel}$ identifies failing rollouts well before termination, matching or even outperforming costly resampling- and training-based baselines across settings under realistic deployment budget. Code and demos available at: https://github.com/rrrrrrzy/fm-geometry.
- Abstract（参考訳）: フローマッチング(FM)は、現代のエンボディドモデルにおいて一般的なアクションヘッドパラダイムとなっている。
しかし、条件付き生成モデルとして、その固有の不確かさを明示的に明らかにすることはなく、シーンを誤解したり、アウト・オブ・ディストリビューション(OOD)の入力に遭遇した場合でも、誤ったアクションチャンクを発生させる。
したがって、FM生成アクションがいつ信頼できるかは安全な配置に不可欠であるが、リアルタイム制御における既存の不確実性推定手法には、追加のトレーニング予算、高い計算オーバーヘッド、低い一般化能力など、いくつかの問題がある。
本研究では, 速度場におけるFMの不確かさを幾何学的に解釈し, 理想的なアフィン等方性収縮場からの偏差として不確かさが現れることを示す。
この観測に基づいて, モデル評価, トレーニング, 再サンプリングを伴わずに, 単一前方パスからの復調軌道の曲げを計測する, 一般化可能かつコストフリーな不確実性プロキシであるデノゲーションアクセラレーション(\mathrm{accel}$)を導入する。
理論的かつ実証的に、$\mathrm{accel}$はFMの不確実性に対する忠実なプロキシであり、オンライン障害検出におけるその実用性をさらにテストする。
結果として、$\mathrm{accel}$は、現実的なデプロイメント予算の下で、設定全体にわたって、終了前のロールアウトの失敗、マッチング、さらにはコストのかかるリサンプリング、トレーニングベースのベースラインよりも優れています。
コードとデモは、https://github.com/rrrrzy/fm-geometry.comで公開されている。
関連論文リスト
- Exploring Zero-Shot Foundation Models for Multivariate Time Series Anomaly Detection [4.468174618435543]
MTSADは、産業プロセス監視や金融リスク管理といった分野における信頼性と安全性に不可欠である。
ファンデーションモデル(FM)は、強いゼロショットの一般化を伴う幅広いデータに基づいて事前訓練される。
安全水処理 (SWaT) ベンチマークにおいて, FM の産業用 MTSAD へのゼロショット適用について検討した。
論文 参考訳（メタデータ） (2026-07-14T07:32:08Z) - Expectations vs. Realities: The Cost of MSE-Optimal Forecasting Under Conditional Uncertainty [1.2489632787815885]
多段階時系列予測(MSF)は平均二乗誤差(MSE)などのポイントワイド誤差指標を用いて一般的に評価される。
これは条件的不確実性の下では誤解を招く可能性を示し、条件的期待はより長い地平線における典型的な実効値とは無関係となる。
これにより、MSF評価における点精度と限界リアリズムの基本的なモデルに依存しないトレードオフが確立される。
論文 参考訳（メタデータ） (2026-06-03T01:50:32Z) - U$^{2}$Flow: Uncertainty-Aware Unsupervised Optical Flow Estimation [18.3748504668909]
教師なし光学流法は、信頼性の高い不確実性推定を欠き、その堅牢性と解釈可能性を制限する。
U$2$Flowは、光の流れと画素ごとの不確実性を共同で推定する最初の再帰的非教師付きフレームワークである。
論文 参考訳（メタデータ） (2026-04-11T06:40:22Z) - Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。
累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。
主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
論文 参考訳（メタデータ） (2026-02-10T21:08:53Z) - ProbFM: Probabilistic Time Series Foundation Model with Uncertainty Decomposition [0.12489632787815884]
Time Series Foundation Models (TSFMs) はゼロショット財務予測のための有望なアプローチとして登場した。
現在のアプローチでは、制限的な分布仮定に依存したり、異なる不確実性の源を詳述したり、原則化された校正機構が欠如している。
本稿では,Deep Evidential Regression (DER) を利用した変圧器を用いた新しい確率的フレームワーク ProbFM を提案する。
論文 参考訳（メタデータ） (2026-01-15T17:02:06Z) - The Illusion of Certainty: Uncertainty quantification for LLMs fails under ambiguity [48.899855816199484]
そこで本研究では,第1の曖昧な質問応答(QA)データセットであるMAQA*とAmbigQA*を紹介する。
予測分布とアンサンブルに基づく推定器は、あいまいさの下では基本的に限定的であることを示す。
論文 参考訳（メタデータ） (2025-11-06T14:46:35Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳（メタデータ） (2022-11-11T19:34:17Z) - Approaching Neural Network Uncertainty Realism [53.308409014122816]
自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。
マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。
自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
論文 参考訳（メタデータ） (2021-01-08T11:56:12Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - Deep Learning based Uncertainty Decomposition for Real-time Control [9.067368638784355]
本稿では,ディープラーニングを用いたトレーニングデータの欠如を検出する新しい手法を提案する。
合成および実世界のデータセットに対する既存のアプローチに対する利点を示す。
さらに、シミュレーションされたクアッドコプターにオンラインデータ効率制御を展開させる上で、この不確実性推定の実用性を実証する。
論文 参考訳（メタデータ） (2020-10-06T10:46:27Z)
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。