論文の概要: Counterfactual Generation via Flow Matching: Coupling-Sensitive End-to-End Rates

• arxiv url: http://arxiv.org/abs/2610.01193v1
• Date: Thu, 01 Oct 2026 07:05:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.957913
• Title: Counterfactual Generation via Flow Matching: Coupling-Sensitive End-to-End Rates
• Title（参考訳）: フローマッチングによる対物生成:結合感性エンドツーエンドレート
• Abstract要約: 本研究では,サンプル分割された2つの頑健なトレーニング目標と,観測結果と適合条件付き結果モデルから抽出した目標結果との学習的結合を組み合わせたフローパラメトリック手法を開発した。 我々の理論的な主な貢献は、定数ステップの離散化のための結合感受性KL結合である。 合成および半合成画像ベンチマークの実験は、結合依存理論をサポートし、有限の離散化予算において、サンプルが対応するODEサンプリング器より優れていることを示す。
• 参考スコア（独自算出の注目度）: 11.51425194152931
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactual generation seeks to sample outcomes under a hypothetical intervention or decision using observational data collected under the factual assignment mechanism. We develop a flow-matching approach that combines a sample-split, doubly robust training objective with a learned coupling between observed source outcomes and target outcomes drawn from a fitted conditional outcome model. To enable finite-step generation, we leverage a score-corrected stochastic sampler based on a Gaussian-smoothed interpolation. Our main theoretical contribution is a coupling-sensitive KL bound for constant-step Euler discretization: the error is controlled by moments of the source--target displacement under the chosen coupling, rather than by global uniform regularity of the velocity field, and has near-linear dependence on the ambient dimension. We also establish finite-sample non-parametric guarantees for the learned velocity and score fields when both the conditional outcome model and the source-target coupling are estimated from data. These bounds separate approximation, coupling-replacement, nuisance-estimation, generalization, and Monte Carlo errors and, combined with the sampler analysis, yield an end-to-end guarantee for counterfactual generation. Experiments on synthetic and semi-synthetic image benchmarks support the coupling-dependent theory and show that, at finite discretization budgets, the stochastic sampler can outperform the corresponding deterministic ODE sampler.
• Abstract（参考訳）: 事実生成は、仮説的な介入や決定の下で、実際の割り当てメカニズムの下で収集された観測データを用いて結果のサンプリングを試みる。 本研究では,サンプル分割型2重頑健なトレーニング目標と,観測結果と適合条件付き結果モデルから抽出した目標結果との学習的結合を組み合わせたフローマッチング手法を開発した。 有限ステップ生成を実現するために,ガウスの滑らかな補間に基づくスコア補正確率型サンプリング手法を用いる。 誤差は、速度場の大域的一様規則性ではなく、選択された結合の下でのソース-ターゲット変位のモーメントによって制御され、周囲次元にほぼ直線的に依存する。 また、条件付き結果モデルとソース-ターゲット結合の両方がデータから推定される場合、学習速度とスコアフィールドの有限サンプル非パラメトリック保証を確立する。 これらの境界は、別個の近似、カップリング置換、ニュアンス推定、一般化、モンテカルロ誤差、およびサンプル解析と組み合わせることで、対実生成に対するエンドツーエンドの保証が得られる。 合成および半合成画像ベンチマークの実験は、結合依存理論を支持し、有限の離散化予算において、確率的サンプリング器は対応する決定論的ODEサンプリング器より優れていることを示す。

関連論文リスト

• From Score Learning to Discretized Sampling: An End-to-End Generalization Analysis of Diffusion Models [1.7041248235270654]
  本研究では,有限サンプル学習,ネットワークパラメータ化,数値離散化が共同で生成品質を規定する方法について検討する。 実験結果から, 実験試料の大きさ, 時間的離散化格子, 最適化精度が, 拡散モデルにより生成された試料の最終忠実度をどのように制御するかを定量的に評価した。
  論文  参考訳（メタデータ） (2026-07-25T14:24:38Z)
• Variance-Reduced Diffusion Sampling via Target Score Identity [0.0]
  クリーンな(ターゲット)スコアが利用可能か,あるいは近似可能な設定において,スコア推定と拡散に基づくサンプリングの分散化について検討した。 我々は、標準の逆時間解法と互換性のあるプラグアンドプレイ非パラメトリックな自己正規化重要度サンプリング推定器を開発した。 PDE-Governed Inverse問題と合成ターゲット実験により, 固定シミュレーション予算に対する試料品質の改善が示された。
  論文  参考訳（メタデータ） (2026-01-04T16:46:31Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
  連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。 本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。 我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
  論文  参考訳（メタデータ） (2024-10-03T09:07:13Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• An analysis of the noise schedule for score-based generative models [7.180235086275926]
  スコアベース生成モデル(SGM)は、目標からのノイズ摂動サンプルのみを用いてスコア関数を学習することにより、目標データ分布を推定することを目的としている。 近年の文献では、ターゲットと推定分布の誤差を評価し、KL(Kulback-Leibler)の発散とワッサーシュタイン距離を通じて生成品質を測ることに重点を置いている。 対象と推定分布のKL分散の上限を時間依存ノイズスケジュールによって明確に設定する。
  論文  参考訳（メタデータ） (2024-02-07T08:24:35Z)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)

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。