論文の概要: Difficulty-Calibrated Interpolation Paths for Conditional Flow Matching

• arxiv url: http://arxiv.org/abs/2608.21286v1
• Date: Fri, 21 Aug 2026 16:42:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.640878
• Title: Difficulty-Calibrated Interpolation Paths for Conditional Flow Matching
• Title（参考訳）: 条件付きフローマッチングのための困難校正補間経路
• Abstract要約: 条件付きフローマッチングは、所定のノイズ・データ・パスの速度にネットワークを後退させて生成モデルを訓練する。 本研究では,条件付きフローマッチングの回帰困難度が経路に沿って系統的に変化することを示す。 本稿では,モデル自体からスケジュールを導出するDifficulty-Calibrated Flow Matchingを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conditional Flow Matching trains generative models by regressing a network onto the velocity of a prescribed noise-to-data interpolation path. The interpolation schedule that shapes this path is known to affect convergence and sample quality, yet it is invariably fixed in advance, independent of both the data and the model. We show that the regression difficulty of Conditional Flow Matching varies systematically along the path, and we propose Difficulty-Calibrated Flow Matching, which derives the schedule from the model itself: a short pilot run with the linear path records the per-time loss, and the schedule is set to the quantile function of this difficulty profile, so the trajectory lingers where the velocity is hardest to learn. The method has a single hyperparameter, leaves the training objective and its gradient equivalence intact, composes with classifier-free guidance, and adds about two percent training overhead. In controlled experiments on CIFAR-10, MNIST, and Fashion-MNIST with an identical compact U-Net, the calibrated path attains the best FID on CIFAR-10 at full sampling budget and clearly outperforms all fixed schedules in the large-batch, few-update regime, precisely the setting where compute is scarcest.
• Abstract（参考訳）: 条件付きフローマッチングは、所定のノイズ・データ補間経路の速度にネットワークを回帰させて生成モデルを訓練する。 この経路を形成する補間スケジュールは収束とサンプルの品質に影響を与えることが知られているが、データとモデルの両方によらず、あらかじめ固定されている。 条件付きフローマッチングの回帰困難度は経路に沿って系統的に変化し,線形経路を持つ短いパイロットが時間あたりの損失を記録し,スケジュールをこの困難プロファイルの量子関数に設定することにより,速度が最も学習しにくい軌道リンガーに設定する。 この方法は1つのハイパーパラメータを持ち、トレーニング目標とその勾配等価性をそのまま残し、分類器なしのガイダンスで構成し、約2%のトレーニングオーバーヘッドを追加する。 CIFAR-10、MNIST、Fashion-MNISTと同一のコンパクトなU-Netで制御された実験では、校正パスは完全なサンプリング予算でCIFAR-10上で最高のFIDを獲得し、大きなバッチ、少数の更新された状態において、計算が不十分な設定において、すべての固定スケジュールを明らかに上回っている。

関連論文リスト

• AnyFlow: Any-Step Video Diffusion Model with On-Policy Flow Map Distillation [70.80207977907908]
  フローマップをベースとした,最初のノンステップビデオ拡散蒸留フレームワークであるAnyFlowを紹介した。 我々は、AnyFlowがいくつかの段階において、パフォーマンスの一致を達成するか、一貫性ベースの結果を上回ることを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:06:34Z)
• ODE-free Neural Flow Matching for One-Step Generative Modeling [4.319549155064877]
  拡散およびフローマッチングモデルは、データにノイズを伝達する時間依存ベクトル場を学習することでサンプルを生成する。 本稿では,フローマップとニューラルフローをパラメータ化するODEフリーな生成フレームワークOT-NFMを提案する。 本研究では,不整合なノイズデータペアリングがすべての出力をデータ平均に向かって駆動する場合,フローマップ学習が平均崩壊に苦しむことを示す。
  論文  参考訳（メタデータ） (2026-04-07T19:49:57Z)
• Training-Free Refinement of Flow Matching with Divergence-based Sampling [17.850801452423074]
  Flow Divergence Sampler (FDS)は、各ソルバステップの前に中間状態を洗練するトレーニング不要のフレームワークである。 FDSは、このシグナルを利用して、よりあいまいな領域に向けて州を操る。 標準のソルバやオフザシェルフフローバックボーンと互換性のあるプラグイン・アンド・プレイのフレームワークとして、FDSは、さまざまな世代のタスクにおける忠実さを一貫して改善する。
  論文  参考訳（メタデータ） (2026-04-06T12:54:58Z)
• FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
  現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。 ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。 本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
  論文  参考訳（メタデータ） (2026-02-06T03:24:23Z)
• Temporal Pair Consistency for Variance-Reduced Flow Matching [13.328987133593154]
  TPC(Temporal Pair Consistency)は、同じ確率経路に沿ってペア化された時間ステップで速度予測を結合する軽量な分散還元原理である。 フローマッチング内で確立されたTPCは、複数の解像度でCIFAR-10とImageNetのサンプル品質と効率を改善する。
  論文  参考訳（メタデータ） (2026-02-04T00:05:21Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• FlowDrive: moderated flow matching with data balancing for trajectory planning [5.553127690929986]
  FlowDriveは、条件付き修正フローを学習し、ノイズを直接トラジェクトリ分布にマッピングするフローマッチングトラジェクトリプランナである。 FlowDriveは、学習ベースのプランナーとルールベースの改善によるアプローチ手法の間で、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-09-26T06:49:22Z)
• Consistency Flow Matching: Defining Straight Flows with Velocity Consistency [97.28511135503176]
  本稿では,速度場の自己整合性を明示する新しいFM法であるConsistency Flow Matching(Consistency-FM)を紹介する。 予備実験により、一貫性FMは、一貫性モデルよりも4.4倍速く収束することにより、トレーニング効率を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-07-02T16:15:37Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)

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。