Fugu-MT 論文翻訳(概要): Simulation-free and finite-time diffusion model

論文の概要: Simulation-free and finite-time diffusion model

arxiv url: http://arxiv.org/abs/2608.03117v1
Date: Tue, 04 Aug 2026 04:39:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:23.035487
Title: Simulation-free and finite-time diffusion model
Title（参考訳）: シミュレーションフリーおよび有限時間拡散モデル
Abstract要約: 本稿では,両者を同時に実現する参照プロセスを設計するためのフレームワークを提案する。提案手法の最小限として条件付き流れマッチングが生じることを示す。
参考スコア（独自算出の注目度）: 0.688204255655161
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The performance of generative diffusion models is determined by the choice of the reference diffusion process connecting the empirical and prior distributions. Conventional approaches typically trade off simulation-free training against finite-time generation. We propose a framework for designing the reference process that achieves both simultaneously. The key idea is to prescribe tractable time-dependent conditional distributions and then construct the reference process realizing them as its marginals. This framework reveals that score matching is not fundamental to diffusion-model training but instead emerges naturally through reversal of the reference process. We further show that conditional flow matching arises as the small-noise limit of the proposed framework.
Abstract（参考訳）: 生成拡散モデルの性能は、経験的および先行分布を接続する参照拡散過程の選択によって決定される。従来のアプローチでは、シミュレーションなしのトレーニングを有限時間生成と交換するのが一般的である。本稿では,両者を同時に実現する参照プロセスを設計するためのフレームワークを提案する。鍵となる考え方は、抽出可能な時間依存条件分布を規定し、その限界として実現した参照プロセスを構築することである。このフレームワークは、スコアマッチングが拡散モデルトレーニングの基本ではなく、参照プロセスの反転によって自然に現れることを明らかにしている。さらに, 条件付きフローマッチングが, 提案フレームワークの低雑音限界として生じることを示す。

関連論文リスト

A Unified Measure-Theoretic View of Diffusion, Score-Based, and Flow Matching Generative Models [0.3222802562733787]
本稿では,データ分布への単純な参照分布の移動に基づく連続時間生成モデリング手法について,決定論的ダイナミクスを用いて検討する。本稿では,拡散モデル,スコアベース生成モデル,フローマッチングが時間依存ベクトル場を学習する一貫したフレームワークを提案する。
論文参考訳（メタデータ） (2026-05-07T18:32:15Z)
Accelerated Sequential Flow Matching: A Bayesian Filtering Perspective [16.29333060724397]
本稿では,ベイズフィルタを基盤とした逐次フローマッチングについて紹介する。ストリーミング推論を,あるステップから次のステップへ予測分布を伝達する確率フローの学習として扱うことにより,ベイズ的信念更新の構造と自然に一致させる。本手法は, サンプリングステップを1回, ごく少数必要としながら, フルステップ拡散と性能を競合させ, サンプリングを高速化する。
論文参考訳（メタデータ） (2026-02-05T05:37:14Z)
Effective Test-Time Scaling of Discrete Diffusion through Iterative Refinement [51.54933696252104]
離散拡散に適した新しいテスト時間スケーリング手法であるイテレーティブ・リワードガイドリファインメント(IterRef)を導入する。我々は、このプロセスをMultiple-Try Metropolisフレームワークで形式化し、報酬整合分布への収束を証明した。 IterRefは計算予算の低さで大幅に上昇し、最先端のベースラインをはるかに超えている。
論文参考訳（メタデータ） (2025-11-04T02:33:23Z)
A diffusion-based generative model for financial time series via geometric Brownian motion [1.3654846342364308]
本稿では,金融時系列の拡散に基づく新たな生成フレームワークを提案する。本手法は,金融時系列のヘテロスケダスティティーを反映して,各段階の資産価格に比例してノイズを注入する。ドリフトと拡散の項を正確にバランスさせることにより、結果として得られる対数-価格過程が分散拡散微分方程式に還元されることを示す。
論文参考訳（メタデータ） (2025-07-25T07:02:09Z)
Simple and Critical Iterative Denoising: A Recasting of Discrete Diffusion in Graph Generation [0.0]
中間ノイズ状態間の依存関係は、逆ノイズ化プロセス中にエラーの蓄積と伝播を引き起こす。本稿では, 離散拡散を単純化し, 問題を回避し, 簡易反復分解という新しい枠組みを提案する。実験により,提案手法はグラフ生成タスクにおいて既存の離散拡散ベースラインを著しく上回ることを示す。
論文参考訳（メタデータ） (2025-03-27T15:08:58Z)
Continuous Diffusion Model for Language Modeling [64.7425225935854]
離散的データに対する既存の連続拡散モデルは離散的手法と比較して性能が劣る。本稿では,下層の分類分布の幾何学を組み込んだ言語モデリングのための連続拡散モデルを提案する。本手法は,既存の離散拡散モデルより優れ,自己回帰モデルの性能にアプローチする。
論文参考訳（メタデータ） (2025-02-17T08:54:29Z)
Accelerated Diffusion Models via Speculative Sampling [89.43940130493233]
投機的サンプリングは、大規模言語モデルにおける推論を加速する一般的な手法である。我々は投機的サンプリングを拡散モデルに拡張し、連続したベクトル値のマルコフ連鎖を介してサンプルを生成する。本稿では,ドラフトモデルをトレーニングする必要のない,シンプルで効果的なアプローチを含む,さまざまなドラフト戦略を提案する。
論文参考訳（メタデータ） (2025-01-09T16:50:16Z)
Flow Matching Posterior Sampling: A Training-free Conditional Generation for Flow Matching [13.634043135217254]
本稿では,Flow Matching を用いた Posterior Smpling (FMPS) を提案し,その適用範囲を拡大する。この補正項は、サロゲートスコア関数を組み込むように再構成することができる。 FMPSは既存の最先端手法に比べて優れた世代品質が得られることを示す。
論文参考訳（メタデータ） (2024-11-12T08:14:39Z)
Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文参考訳（メタデータ） (2024-10-17T16:42:12Z)
Conditional Lagrangian Wasserstein Flow for Time Series Imputation [3.583527519172841]
条件付きラグランジアン・ワッサースタイン流は時系列計算の新しい方法である。対応する運動エネルギーを最小化することで速度を学習する。モデルの性能を高めるために,タスク固有ポテンシャル関数の勾配を推定する。
論文参考訳（メタデータ） (2024-10-10T02:46:28Z)
Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文参考訳（メタデータ） (2024-10-03T09:07:13Z)
Flow map matching with stochastic interpolants: A mathematical framework for consistency models [15.520853806024943]
フローマップマッチングは、基礎となる生成モデルの2時間フローマップを学ぶための原則化されたフレームワークである。 FMMは,高速サンプリングのための既存手法の幅広いクラスを統一し,拡張することを示す。
論文参考訳（メタデータ） (2024-06-11T17:41:26Z)
Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文参考訳（メタデータ） (2023-11-02T16:45:25Z)
Towards Recurrent Autoregressive Flow Models [39.25035894474609]
本稿では,正規化フローを用いた一般的なプロセスモデリングのための手法として,リカレント自己回帰フローを提案する。提案手法は, ニューラル接続を繰り返す正規化フローのパラメータを条件付けすることにより, 逐次的過程における各変数の条件分布を定義する。モデルが3つの複雑なプロセスで訓練される一連の実験を通して、このモデルのクラスの有効性を実証する。
論文参考訳（メタデータ） (2020-06-17T18:38:36Z)
Composing Normalizing Flows for Inverse Problems [89.06155049265641]
本稿では,2つの流れモデルの合成として,対象条件を推定する近似推論フレームワークを提案する。本手法は,様々な逆問題に対して評価し,不確実性のある高品質な試料を作製することを示した。
論文参考訳（メタデータ） (2020-02-26T19:01:11Z)

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。