論文の概要: One-Step Generative Modeling via Training Dynamics Action
- arxiv url: http://arxiv.org/abs/2610.00518v1
- Date: Wed, 30 Sep 2026 18:10:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.686121
- Title: One-Step Generative Modeling via Training Dynamics Action
- Title（参考訳）: トレーニングダイナミクスアクションによるワンステップ生成モデリング
- Abstract要約: 一段階生成モデルは、反復的な訓練時間輸送によって静的なジェネレータを構築する。
textbfTraining textbfDynamics textbfAction(textbfTDAction)を導入する。
- 参考スコア（独自算出の注目度）: 44.53646303421521
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One-step generative models construct a static generator through iterative training-time transport. Existing transport objectives primarily assess distributional motion, although a neural generator needs to realize the requested sample displacements jointly through shared parameter updates. The training-time construction raises the question: \emph{once training becomes the iterative process that constructs the final one-step map, what to optimize: the next distributional move, or the route by which the finite generator learns the final map?} To address the question, we introduce \textbf{T}raining \textbf{D}ynamics \textbf{A}ction (\textbf{TDAction}), which selects transport targets according to local shared-parameter realization cost while retaining a prescribed level of distributional progress. We formulate the cost as a soft-terminal control problem and derive a closed-form Batch Tangent Action-to-Go value that accounts for parameter effort and terminal mismatch. The criterion captures cross-sample interactions omitted by independent pairwise costs; under isotropic mobility, the criterion agrees with quadratic Euclidean assignment for deterministic balanced couplings. Randomized tangent probes provide a low-rank implementation that constructs shared detached targets without adding an inference-time trajectory. Controlled studies examine the relationship between generator geometry, transport selection, and realized local action. On ImageNet $256\times256$, TDAction attains an FID below $1.1$ without distillation.
- Abstract（参考訳）: 一段階生成モデルは、反復的な訓練時間輸送によって静的なジェネレータを構築する。
既存の輸送目的は主に分布運動を評価するが、ニューラルジェネレータは、共有パラメータ更新を通じて、要求されたサンプル変位を共同で実現する必要がある。
訓練時間構成は、次の疑問を提起する: \emph{once> トレーニングは、最後の1ステップマップを構築する反復過程、最適化すべきことは、次の分布移動、または有限生成器が最終マップを学ぶ経路である。
この問題に対処するため, 所定レベルの分布進行を維持しつつ, 局所共有パラメータ実現コストに応じて輸送対象を選定する <textbf{T}raining \textbf{D}ynamics \textbf{A}ction (\textbf{TDAction}) を導入する。
ソフト端末制御問題としてコストを定式化し、パラメータの労力と終端ミスマッチを考慮に入れたクローズドフォームのバッチタンジェントアクション・ツー・ゴーを導出する。
等方的モビリティの下では、決定論的平衡結合に対する2次ユークリッドの割り当てと一致する。
ランダム化されたタンジェントプローブは、推論時軌道を追加することなく、共有された分離されたターゲットを構成する低ランクの実装を提供する。
制御された研究は、ジェネレータ幾何学と輸送選択の関係を調べ、局所的な作用を実現した。
ImageNet $256\times256$で、TDActionは蒸留なしで1.1ドル以下でFIDを取得する。
関連論文リスト
- An End-to-End Latent-Rollout Approach for Pushing Few-Step ImageNet-$256$ Generation to FID $1.11$ without Fréchet Losses [9.431422086533344]
蒸留は教師の軌道に沿って選択された状態に教師力の回帰を適用する。
監督の強化は 敵意と補助的な 分類の目的に置き換わる
ImageNetのクラス条件生成では,FID 1.11(IS 282)を3段階,FID 1.15(IS 280)を2段階で達成した。
論文 参考訳（メタデータ） (2026-09-26T08:52:12Z) - ParetoTransport: Generative Optimization by Mass Transport Toward The Pareto Front [24.160834012321747]
本研究では,対象空間における個体群レベルの分布を明確に特定・洗練する,事前学習型フローマッチングモデルのトレーニングフリーガイダンス手法を提案する。
標準オフラインMOOベンチマークで最先端性能を示す。
論文 参考訳（メタデータ） (2026-09-07T16:19:23Z) - Coupled Optimal Transport with Landmark Constraints [64.98367856457412]
最適輸送(OT)モデルは、所定の輸送コストや歪みを最小限に抑えて、分布間の地図や計画を求める。
本稿では,少数のアノテートされたランドマークを利用して,下層の変形の回復を誘導する新しい結合OTフレームワークを提案する。
提案するフレームワークは,ランドマークベース登録とトランスポートベース分布マッチングの原則的接続を提供する。
論文 参考訳（メタデータ） (2026-08-20T08:28:13Z) - Distribution Steering via Sliced Optimal Transport Control [2.1485350418225244]
配当ステアリングは、所定の初期分布と終端分布の間のシステムの状態法を駆動するフィードバック法を求める。
我々は、スライスされた最適輸送に基づく有限水平制御フレームワークを開発する。
サンプリング期間が終了すると,ランダム化コントローラが平均スライスフローに収束することを示す。
論文 参考訳（メタデータ） (2026-08-13T05:00:59Z) - Self-Consistent Generative Paths via Admissible Random Variational Transport [14.74009385288423]
確率経路はいつ自己整合するのか?
自己整合性生成経路を許容可能な局所変分輸送補正のランダムな固定点として定義する。
結果として生じる理論は、エンドポイントマッチングを経路自己整合性テストに変換する。
論文 参考訳（メタデータ） (2026-06-08T02:56:06Z) - 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) - SENTINEL: Stagewise Integrity Verification for Pipeline Parallel Decentralized Training [54.8494905524997]
分散トレーニングは、信頼できない、地理的に分散したノードで実行される場合、重大なセキュリティリスクをもたらす。
重複のないパイプライン並列性(PP)トレーニングの検証機構であるSENTINELを提案する。
実験では、モデル収束と性能を維持しながら、最大176人の労働者を持つ信頼できない分散環境における最大4BパラメータLSMのトレーニングを成功させた。
論文 参考訳（メタデータ） (2026-03-03T23:51:10Z) - 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) - Delta-AI: Local objectives for amortized inference in sparse graphical models [64.5938437823851]
スパース確率的グラフィカルモデル(PGM)における補正推論のための新しいアルゴリズムを提案する。
提案手法は, PGMにおける変数のサンプリングをエージェントが行う一連の行動とみなす場合, エージェントのポリシー学習目的において, PGMの疎結合が局所的な信用割当を可能にするという観察に基づいている。
合成PGMからサンプリングし、スパース因子構造を持つ潜在変数モデルを訓練するための$Delta$-AIの有効性について説明する。
論文 参考訳（メタデータ） (2023-10-03T20:37:03Z)
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。