論文の概要: Discrete Wasserstein Flows for One-Step Generative Modeling

• arxiv url: http://arxiv.org/abs/2610.01355v1
• Date: Thu, 01 Oct 2026 09:25:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.0288
• Title: Discrete Wasserstein Flows for One-Step Generative Modeling
• Title（参考訳）: 1ステップ生成モデルのための離散ワッサースタイン流れ
• Abstract要約: 有限状態空間上の一段階生成モデリングのための新しいフレームワークを提案する。 可逆マルコフカーネルの遷移に対する目標相対的KL勾配流を定義する。 我々は、マルコフジャンプによる粒子レベルでのこの確率フローを実現し、その結果のトランスポート更新を遅延条件付きジェネレータに記憶させる。
• 参考スコア（独自算出の注目度）: 42.418429168532406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a new framework for one-step generative modelling on finite state spaces. To extend drifting beyond continuous domains, we use discrete Wasserstein geometry to define a target-relative KL gradient flow over the transitions of a reversible Markov kernel. We realize this probability flow at the particle level through Markov jumps and amortize the resulting transport updates into a latent-conditioned generator, so that the iterative dynamics are required only during training while inference remains one-step. In a controlled setting where the underlying distributions and transport dynamics can be computed exactly, we verify KL dissipation, consistency between the particle dynamics and the probability flow, and the predicted numerical scaling. We further show that a finite-capacity neural generator can track these exact transport targets while retaining one-step generation. These results validate the basic construction and provide a foundation for scaling Discrete Drifting to structured discrete data.
• Abstract（参考訳）: 有限状態空間上の一段階生成モデリングのための新しいフレームワークを提案する。 連続領域を超えてドリフトを拡張するために、離散ワッサーシュタイン幾何を用いて可逆マルコフ核の遷移上の目標相対的KL勾配流を定義する。 マルコフジャンプによる粒子レベルでのこの確率フローは、遅延条件付きジェネレータへのトランスポート更新を補正するので、推論が1段階残っている間は、トレーニング中にのみ反復的ダイナミクスが要求される。 基礎となる分布と輸送力学を正確に計算できる制御された環境では、KLの散逸、粒子力学と確率フローの整合性、予測された数値スケーリングを検証する。 さらに、有限容量のニューラルジェネレータは、これらの正確な輸送目標を1ステップ生成を維持しながら追跡できることが示される。 これらの結果は基本構造を検証し、離散ドリフトを構造化離散データに拡張するための基盤を提供する。

関連論文リスト

• Lagrangian Flow Matching: A Least-Action Framework for Principled Path Design [14.77320535984857]
  フローマッチングは、所定の確率パスに関連する目標速度に対して回帰して神経速度場を訓練する。 ラグランジアンフローマッチング(Lagrangian flow matching)は、一般ラグランジアンの動きを最小化して確率パスと速度場を決定する物理ベースのフレームワークである。
  論文  参考訳（メタデータ） (2026-05-14T21:05:03Z)
• 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)
• Differentiable Stochastic Traffic Dynamics: Physics-Informed Generative Modelling in Transportation [0.0]
  この研究は、物理制約自体が分散的かつ空間的であり、トラフィックフローのダイナミクスから導かれる枠組みを開発する。 このフレームワークは、分散トラフィック状態推定の基礎と、物理インフォームド・ジェネレーティブ・セッティングにおける基礎解析の基盤を提供する。
  論文  参考訳（メタデータ） (2026-03-10T04:25:20Z)
• Cross-fluctuation phase transitions reveal sampling dynamics in diffusion models [18.62181040054207]
  クロス揺らぎを用いたスコアベース拡散モデルにおいて,分布のサンプリングダイナミクスがどのように進化するかを解析する。 偏りのない等方性正規分布から始めると、試料は鋭く離散的な遷移を行い、最終的には所望の分布の異なる事象を形成する。 これらの遷移を検出することでサンプリング効率が向上し、クラス条件とレアクラスの生成が促進され、画像分類とスタイル転送という2つのゼロショットタスクが、高価なグリッド検索やリトレーニングなしで改善されることがわかった。
  論文  参考訳（メタデータ） (2025-10-31T09:40:59Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)
• A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
  学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。 フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。 既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
  論文  参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。