論文の概要: Source Anchoring for Physical Consistency in Flow Matching Models
- arxiv url: http://arxiv.org/abs/2609.33510v1
- Date: Sun, 27 Sep 2026 12:29:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 16:11:08.026443
- Title: Source Anchoring for Physical Consistency in Flow Matching Models
- Title（参考訳）: フローマッチングモデルにおける物理的整合性のためのソースアンカリング
- Abstract要約: 深部生成モデルは、物理系状態の偏微分方程式とモデル分布を解くために用いられる。
投影型流れマッチング法は、制約のない雑音分布からの流れを補正することによって物理を強制する。
生成開始前の音源雑音に物理的制約をエンコードする関数フローマッチング法である,物理一貫性のためのソースアンカリング(SAPC)を提案する。
- 参考スコア（独自算出の注目度）: 1.281734910003263
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep generative models are used to solve partial differential equations and model distributions of physical system states, but ensuring that the generated samples satisfy the governing laws remains challenging. Projection-based flow-matching methods enforce physics by correcting the flow from an unconstrained noise distribution. These corrections shift the generated samples away from the distribution of target solutions, especially in high noise regions. To address this limitation, we propose Source Anchoring for Physical Consistency (SAPC), a Functional Flow Matching method that encodes the physical constraints into the source noise before generation begins. We evaluate SAPC on five systems governed by partial differential equations, covering six tasks with linear and non-linear dynamics, and compare results against five baselines and the unconstrained backbone. Anchoring the source reduces the need for large corrections that drive samples onto admissible but off-distribution states, and SAPC reproduces the target distributions most accurately on every evaluated task, while matching the constraint precision of the best projection-based baselines. Ablation experiments show that this gain arises from pairing source projection with a matched training objective that regresses toward the projected source. These results identify the source distribution as a key design choice for physically consistent generative modelling.
- Abstract（参考訳）: 深部生成モデルは、物理系状態の偏微分方程式やモデル分布を解くために用いられるが、生成したサンプルが支配則を満たすことは依然として困難である。
投影型流れマッチング法は、制約のない雑音分布からの流れを補正することによって物理を強制する。
これらの補正は、特に高雑音領域において、生成したサンプルをターゲット溶液の分布から遠ざける。
この制限に対処するために、生成開始前の音源ノイズに物理的制約をエンコードする関数フローマッチング法である、物理一貫性のためのソースアンカリング(SAPC)を提案する。
偏微分方程式によって支配される5つのシステム上でSAPCを評価し、線形および非線形の6つのタスクをカバーし、その結果を5つのベースラインと制約のないバックボーンと比較した。
ソースのアンコレーションは、サンプルを許容できるが分配できない状態に駆動する大規模な修正の必要性を減らし、SAPCは、最高の投影ベースラインの制約精度を一致させながら、評価されたタスク毎に最も正確にターゲット分布を再現する。
アブレーション実験により、この利得は、投影されたソースに向かって回帰する一致したトレーニング目標とのペアリングソースプロジェクションから生じることが示された。
これらの結果は、物理的に一貫した生成モデリングのための重要な設計選択として、ソース分布を識別する。
関連論文リスト
- Solving physics-constrained inverse problems with conditional flow matching [0.6567875008573567]
本稿では,物理制約付き逆問題に対する条件付きフローマッチングフレームワークを提案する。
ニューラルネットワークは、確率フロー常微分方程式の速度場を学習するために訓練される。
オーバートレーニングは生成した条件分布の振る舞いを誘導できることを示す。
論文 参考訳（メタデータ） (2026-03-14T21:43:48Z) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - Generative Lines Matching Models [2.6089354079273512]
本研究では,2つの分布を補間する全直線に一致した新しい確率フローモデルを提案する。
その結果,LMMが生成する流れ場は時間的整合性に優れ,直線性スコアの優れた軌道が得られた。
全体として、LMMは確立されたベンチマークデータセット上で、最小限のNFEで最先端のFIDスコアを達成する。
論文 参考訳（メタデータ） (2024-12-09T11:33:38Z) - Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。
提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
論文 参考訳（メタデータ） (2024-02-05T22:18:16Z) - The Score-Difference Flow for Implicit Generative Modeling [1.1929584800629673]
Inlicit Generative Modelingは、対象データ分布と一致する合成データのサンプルを作成することを目的としている。
最近の研究は、合成音源データをターゲット分布へプッシュする観点から、IGG問題にアプローチしている。
任意のターゲット分布とソース分布のスコア差を,Kulback-Leibler分散を最適に低減するフローとして提示する。
論文 参考訳（メタデータ） (2023-04-25T15:21:12Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z)
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。