Fugu-MT 論文翻訳(概要): Branched Optimal Transport Amortization

論文の概要: Branched Optimal Transport Amortization

arxiv url: http://arxiv.org/abs/2609.15072v1
Date: Mon, 14 Sep 2026 05:42:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:06.107426
Title: Branched Optimal Transport Amortization
Title（参考訳）: 分岐最適輸送補正
Abstract要約: 分岐最適輸送(BOT)の手法は、自然樹のような構造の経済と効率を模倣する。本研究では,高次元における分岐最適輸送問題の解法を目的とした,スケーラブルな分岐流マッチングアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 5.726462924413887
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Methods of Branched Optimal Transport (BOT) mimic the economy and efficiency of natural tree-like structures, such as those found in rivers and biological systems. These methods are widely applicable for designing efficient networks in society, from river basins and blood vessels to mail and gas distribution systems. However, they remain understudied in the context of designing deep generative models, particularly at a large scale. Standard continuous-time generative models, such as the flow matching approach, fail to capture the inherent hierarchical and branching patterns present in real-world data. Current models provide no mechanism for flows to merge or share pathways to minimize total transport cost. Inspired by the "economy of scale" principle in BOT, we introduce a novel, scalable branched flow-matching algorithm designed to solve the branched optimal transport problem in high dimensions. Our method adapts the Benamou-Brenier continuous-time optimal transport formulation to learn branched generative flows. These flows allow probability mass to aggregate along common pathways before branching out to diverse targets. Parametrized by neural networks, our method effectively learns complex branched generative processes. We demonstrate its effectiveness on challenging high-dimensional tasks in biology and image generation.
Abstract（参考訳）: 分岐最適輸送法(BOT)は、河川や生物システムに見られるような自然樹のような構造物の経済と効率を模倣するものである。これらの手法は、河川流域や血管から郵便・ガス流通システムまで、社会における効率的なネットワーク設計に広く応用されている。しかし、これらは、特に大規模に、深層生成モデルを設計する文脈において、いまだに過小評価されている。フローマッチングアプローチのような標準的な連続時間生成モデルは、実世界のデータに存在する固有の階層的および分岐パターンをキャプチャできない。現在のモデルでは、総輸送コストを最小限に抑えるために、フローをマージしたり、経路を共有したりするメカニズムを提供していません。 BOTの「スケールのエコノミー」原理に着想を得て、高次元の分岐最適輸送問題を解くために設計された、スケーラブルな分岐フローマッチングアルゴリズムを導入する。本手法は, 分岐生成流を学習するために, ベナモ・ブレーニエの連続時間最適輸送定式化に適応する。これらの流れは、様々な目標に分岐する前に、確率質量を共通の経路に沿って集約することを可能にする。ニューラルネットワークを応用し,複雑な分岐生成過程を効果的に学習する。生物・画像生成における高次元課題に挑戦する上での有効性を示す。

関連論文リスト

One-Step Generative Modeling via Wasserstein Gradient Flows [56.266175641614986]
W-Flowは、単純な参照分布からサンプルをターゲットデータ分布からサンプルに変換するジェネレータを1ステップでトレーニングするフレームワークである。我々は1ステップのImageNet 256$times$256 生成のための新しい技術状況を設定し、モードカバレッジとドメイン転送を改善した 1.29 FID を達成した。
論文参考訳（メタデータ） (2026-05-12T08:29:44Z)
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)
Flow Density Control: Generative Optimization Beyond Entropy-Regularized Fine-Tuning [59.11663802446183]
フローおよび拡散生成モデルは、事前情報を保持しながらタスク固有の目的を最適化するために適応することができる。本研究では,フロー密度制御(FDC)を導入し,複雑な問題をより単純な微調整タスクの特定のシーケンスに還元する。我々は,近年のミラーフローの理解を活用して,現実的な仮定の下で提案されたスキームの収束保証を導出する。
論文参考訳（メタデータ） (2025-11-27T17:19:01Z)
Y-shaped Generative Flows [23.602025081791187]
我々は,Y字型生成フローを導入し,確率質量を分岐前の共有経路に沿って移動させる。合成、画像、生物学のデータセットでは、Yフローは階層構造を回復し、強いフローベースのベースラインを越えて分散メトリクスを改善し、より少ない統合ステップでターゲットに到達する。
論文参考訳（メタデータ） (2025-10-13T21:33:37Z)
Flow-Through Tensors: A Unified Computational Graph Architecture for Multi-Layer Transportation Network Optimization [20.685856719515026]
Flow Throughs (FTT) は、原点のフロー、経路、確率、およびリンク移動時間を相互接続テンソルとして接続する統一的な計算グラフアーキテクチャである。まず、以前に分離されたモデリング要素間で勾配に基づく最適化を可能にする一貫した数学的構造を確立する。第2に、システム効率の正確な定量化により、時間、空間、ユーザグループのトラフィックパターンの多次元解析をサポートする。
論文参考訳（メタデータ） (2025-06-30T06:42:23Z)
Bures-Wasserstein Flow Matching for Graph Generation [10.21877898746333]
グラフ生成モデルにおける確率経路構築の理論的基盤となる枠組みを提案する。次に, MRF物体間の最適輸送変位を利用してスムーズな確率経路を設計する。 BWFlowは、導出された最適確率パスを利用するグラフ生成のためのフローマッチングフレームワークである。
論文参考訳（メタデータ） (2025-06-16T21:36:56Z)
FlowIE: Efficient Image Enhancement via Rectified Flow [71.6345505427213]
FlowIEはフローベースのフレームワークであり、基本的な分布から高品質な画像への直線パスを推定する。私たちのコントリビューションは、合成および実世界のデータセットに関する包括的な実験を通じて、厳密に検証されています。
論文参考訳（メタデータ） (2024-06-01T17:29:29Z)
Transition Path Sampling with Improved Off-Policy Training of Diffusion Path Samplers [10.210248065533133]
本稿では,拡散経路サンプリング問題に対処するために拡散経路サンプリング器(DPS)を訓練する新しい手法を提案する。 DPSにより誘導される経路分布と遷移経路分布との対数分散を最小化することにより、遷移経路分布からの償却サンプリングとして問題を再構築する。我々は、TPS-DPSと呼ばれる我々のアプローチを、合成系、小ペプチド、高速折りたたみタンパク質で広範囲に評価し、既存のベースラインよりも現実的で多様な遷移経路を生み出すことを実証した。
論文参考訳（メタデータ） (2024-05-30T11:32:42Z)
Computing high-dimensional optimal transport by flow neural networks [19.859984725284896]
本研究は,フローモデルを最適化することにより,任意の2つの分布に対して$P$と$Q$の動的OTを計算することを提案する。本手法は輸送コストを最小限に抑える非可逆流を見つけることによって動的OTを学習する。提案モデルが高次元データに与える影響は,OTベースライン,画像から画像への変換,高次元DRE上での強い経験的性能によって実証される。
論文参考訳（メタデータ） (2023-05-19T17:48:21Z)
Normalizing flow neural networks by JKO scheme [22.320632565424745]
我々はJKO-iFlowと呼ばれるニューラルネットワークを開発し、Jordan-Kinderleherer-Ottoスキームに触発された。提案手法は,残余ブロックを次々と積み重ねることにより,残余ブロックの効率的なブロックワイズ訓練を可能にする。合成および実データを用いた実験により,提案したJKO-iFlowネットワークが競合性能を発揮することが示された。
論文参考訳（メタデータ） (2022-12-29T18:55:00Z)
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)
An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文参考訳（メタデータ） (2020-06-19T22:05:19Z)
TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular Dynamics [74.43710101147849]
本稿では,動的最適輸送を実現するために,分布間の連続経路を制御するTrjectoryNetを提案する。単細胞RNAシークエンシング(scRNA-seq)技術から得られたデータにおける細胞動態の研究において、これが特に当てはまるかを示す。
論文参考訳（メタデータ） (2020-02-09T21:00:38Z)

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。