論文の概要: What Does a Stream Model Buy You in Flow Matching?

• arxiv url: http://arxiv.org/abs/2609.34123v1
• Date: Mon, 28 Sep 2026 02:04:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 06:51:18.206494
• Title: What Does a Stream Model Buy You in Flow Matching?
• Title（参考訳）: ストリームモデルはフローマッチングで何を買うのか?
• Abstract要約: ストリームレベルのCFMの目的は、ストリーム法則にのみ依存する(s_t,v_t)$)。 全体の設計空間は2つのスカラー曲線$(m_t,v_t)$に崩壊する。
• 参考スコア（独自算出の注目度）: 2.5536942228520814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stream-level flow matching replaces the linear interpolant of conditional flow matching (CFM) by a Gaussian-process (GP) stream connecting each source--target pair, and reports lower sample error than \icfm{} on 2-Gaussian, MNIST and CIFAR-10 benchmarks. We ask what such a stream model actually contributes. Three results answer the question. (i)~\emph{Reduction.} The stream-level CFM objective depends on the stream law only through the per-time joint law of $(s_t,\sdot_t)$, so the conditional paths a Gaussian stream can reach are exactly the Gaussian conditional paths CFM already parametrises; in the coordinate-wise, shared-scalar-kernel construction gpcfm actually uses, the entire design space collapses to two scalar curves $(m_t,v_t)$, and cross-time covariance affects only estimator variance. (ii)~\emph{The GP is a constrained chart of that space.} One kernel sets both $m_t$ and $v_t$, so the paper's own recipe for widening coverage-shrinking the SE length-scale---destroys the interpolant (the midpoint mean weight falls from $1.03$ to $0.00$). On the 2-Gaussian benchmark this makes the GP chart diverge on $15/200$ runs at high coverage against $0/200$ for a decoupled $(m_t,v_t)$ chart ($p=6.6\times10^{-5}$), and crossing the two curves shows the divergence tracks the mean, not the variance. On MNIST the same sweep does not diverge and the ordering reverses, so whether the coupling is harmful is benchmark-dependent; what holds on both is that the recipe buys nothing---no coverage level beats the paper's own, and past $\max_t\sqrt{v_t}\approx0.6$ both charts degrade. (iii)~\emph{Audit.} The released code does not implement the mechanism it describes: state and velocity are drawn independently ($\mathrm{corr}=0.00\pm0.01$ against an intended $\pm0.83$--$0.99$).
• Abstract（参考訳）: ストリームレベルのフローマッチングは、各ソース-ターゲットペアを接続するガウス過程(GP)ストリームによる条件付きフローマッチング(CFM)の線形補間を代替し、2-ガウス、MNIST、CIFAR-10ベンチマーク上でのサンプル誤差を \icfm{} より低く報告する。 このようなストリームモデルが実際にどのような貢献をするのかを問う。 3つの結果はその質問に答える。 (i)~\emph{reduction。 ストリームレベル CFM の目的はストリーム法則にのみ依存するため、ガウスストリームが到達できる条件パスは、正確にはガウス条件パス CFM が既にパラメトリーズし、座標的に共有された共有スカラーカーネル構成 gpcfm が実際に使用する場合、設計空間全体が2つのスカラー曲線 $(m_t,v_t)$ に崩壊し、クロスタイム共分散が推定値分散にのみ影響する。 (ii)~\emph{The GP はその空間の制約付きチャートである。 1つのカーネルは$m_t$と$v_t$の両方をセットするので、SE長スケールを細分化するための紙の独自のレシピは、インターポーラントを分解する(中点平均重量は1.03$から$0.00$になる)。 2-ガウスのベンチマークでは、GPチャートは15/200$で、非結合の$(m_t,v_t)$ chart(p=6.6\times10^{-5}$)に対して0/200$に対して高いカバレッジで分岐し、この2つの曲線を渡ると、分散線は分散線ではなく平均線を示している。 MNISTでは、同じスイープが分岐せず、順序が逆になるので、カップリングが有害かどうかがベンチマークに依存している。 (iii)~\emph{Audit。 状態とベロシティは独立して引き出される($\pm0.83$-$0.99$に対して$\mathrm{corr}=0.00\pm0.01$)。

関連論文リスト

• Revisiting Distributed Sign-Based Variance Reduction [41.0127093986946]
  署名ベースの圧縮されたコンポーネントリフレッシュは、データが不均一である場合にバイアスを発生させることができる。 本稿では,符号に基づく手法が,非和点と正確な局所点の両方に対して最適収束率を得ることができないことを示す。 結果として得られるサンプルの総和は$M+dsa-2$と$O(M+O)$ for $M+$と$ell$$ grade norms at most $$$と$O(M+O)$ for $M+O$である。
  論文  参考訳（メタデータ） (2026-09-16T13:35:52Z)
• Same Flow, Different Paths: Variance Reduction in Flow Matching [67.12978375116599]
  最適化の観点から,この経路の選択について検討する。 我々の主な発見は、パス $g_t$ の選択は、SGDの収束率を根本的に変えることができるということである。
  論文  参考訳（メタデータ） (2026-09-15T15:01:04Z)
• Fenchel-Young Duality Gaps: Certified Early Stopping for Regularized Inverse Problems [4.3686879183724665]
  正規化逆問題に対して計算可能誤差境界と証明済み早期停止について検討する。 この分析は、$F()+R()$の合計ギャップをデータ学習用語に分割する、正確な双対対ギャップの同一性に依存する。 GBLの正確なサポートリカバリを確立するために、これらのエラー境界の上にコンパニオンペーパーが構築されている。
  論文  参考訳（メタデータ） (2026-09-15T09:16:07Z)
• Conditioning Tree-Based Diffusions and Flows for Probabilistic Tabular Regression [0.0]
  木に基づく拡散モデルは、神経密度推定器を使わずに回帰の柔軟な条件付き予測分布に適合する。 これらのデフォルトはバインディングの制約であることを示す: 勾配のブーストされたアンサンブルが実際に解決するのは、教師付き回帰問題である。 DiffGBM を2つの軸に沿って明示する。
  論文  参考訳（メタデータ） (2026-07-30T22:08:02Z)
• Matching Rates and Optimal Allocation for Federated Probe-Logit Distillation under Heterogeneous Bandwidth Budgets [12.805268849262243]
  言語モデリングでは、$K$ノードはそれぞれ$n$サンプルを保持するが、データのプールや完全な精度勾配や重みの交換はできない。 本研究では,各ノードが1クエリあたり最大$B$ビットを公開プローブセットにアップロードできる場合に,$V$トークンの条件分布を推定できるミニマックスレートについて検討する。
  論文  参考訳（メタデータ） (2026-05-28T09:08:39Z)
• The Wristband Gaussian Loss: Deterministic, Composable Latents via a Sphere-Interval Decomposition [1.0195618602298684]
  リストバンドガウス損失(英: Wristband Gaussian Loss)は、サンプリング、KL項、反復輸送のないガウス化点埋め込みに対する決定論的バッチ損失である。 我々は、この反射カーネルの目的を、2つの方法で計算する:$O(N2 d)$で最寄りの3イメージのペアランケーションと、角およびラジアルマーサーモードに結合するスペクトルノイマン経路である。 1Dワッサーシュタインの半径項とモーメントペナルティは同じ最適値を持つ有限サンプル加速器として機能し、モンテカルロ$はこれらの成分を単一の標準統計量に変換する。
  論文  参考訳（メタデータ） (2026-05-09T07:25:37Z)
• Proving the Limited Scalability of Centralized Distributed Optimization via a New Lower Bound Construction [57.93371273485736]
  我々は、すべての労働者が同一の分布にアクセスする均質な(すなわちd.d.)場合であっても、すべての労働者が非バイアス付き境界 LDeltaepsilon2,$$$$$ のポリ対数的により良いポリ対数を求める集中型分散学習環境を考える。
  論文  参考訳（メタデータ） (2025-06-30T13:27:39Z)
• On the $O(\frac{\sqrt{d}}{T^{1/4}})$ Convergence Rate of RMSProp and Its Momentum Extension Measured by $\ell_1$ Norm [54.28350823319057]
  本稿では、RMSPropとその運動量拡張を考察し、$frac1Tsum_k=1Tの収束速度を確立する。 我々の収束率は、次元$d$を除くすべての係数に関して下界と一致する。 収束率は$frac1Tsum_k=1Tと類似していると考えられる。
  論文  参考訳（メタデータ） (2024-02-01T07:21:32Z)
• Sharper Convergence Guarantees for Asynchronous SGD for Distributed and Federated Learning [77.22019100456595]
  通信周波数の異なる分散計算作業者のトレーニングアルゴリズムを示す。 本研究では,より厳密な収束率を$mathcalO!!(sigma2-2_avg!)とする。 また,不均一性の項は,作業者の平均遅延によっても影響されることを示した。
  論文  参考訳（メタデータ） (2022-06-16T17:10:57Z)

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。