論文の概要: Co-Evolving Paths and Flows via Path-Flow Alignment

• arxiv url: http://arxiv.org/abs/2610.08717v1
• Date: Tue, 06 Oct 2026 17:24:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.146451
• Title: Co-Evolving Paths and Flows via Path-Flow Alignment
• Title（参考訳）: 経路流アライメントによる経路・流れの共進化
• Abstract要約: 本研究では,フローマッチングのための一貫した学習目標としてパスフローアライメントについて検討する。 経路の修正と速度場のみを学ぶ代わりに、エンドポイント保存パスネットワークとフローネットワークを共同でトレーニングする。 提案手法は,モデルスケールのFIDを継続的に改善し,モデルガイダンストレーニングに拡張し,推論時アーキテクチャとサンプリング器をそのまま残す。
• 参考スコア（独自算出の注目度）: 7.306462076781756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study path-flow alignment as a unified training objective for flow matching. Instead of fixing the interpolation path and learning only the velocity field, we jointly train an endpoint-preserving path network and a flow network using the same alignment loss: the flow learns to match the path velocity, and the path learns to align its velocity to the current flow. Although every fixed learned path defines a valid flow-matching objective, the alignment loss alone is not a reliable criterion for path learning. We identify path overfitting, a failure mode in which the alignment loss decreases while sample quality worsens. We find that this failure is associated with low-entropy bottlenecks in the induced probability path, where the learned path routes samples through overly concentrated intermediate marginals. Motivated by this diagnosis, we introduce a stochastic path regularizer that hides part of the source information from the path network while preserving exact endpoints. The resulting regularization gives an explicit entropy floor for the stochastic training-path marginals and empirically suppresses the bottleneck in the learned sampler, making joint path-flow training effective. On ImageNet-256x256 with SiT backbones, our method consistently improves FID across model scales, extends to model-guidance training, and leaves the inference-time architecture and sampler unchanged. Code is available at https://github.com/lizeyu090312/traj_opt_paper
• Abstract（参考訳）: 本研究では,フローマッチングのための一貫した学習目標としてパスフローアライメントについて検討する。 補間経路を固定して速度場のみを学習する代わりに、同じアライメント損失を用いてエンドポイント保存経路ネットワークとフローネットワークを共同でトレーニングする。 全ての固定された学習経路は、有効なフローマッチングの目標を定義するが、アライメント損失だけではパス学習の信頼できる基準ではない。 サンプルの品質が悪化する一方、アライメント損失が減少する障害モードであるパスオーバーフィッティング(パスオーバーフィッティング)を同定する。 この障害は、学習経路が過度に集中した中間辺縁を通ってサンプリングされる誘導確率経路における低エントロピーボトルネックと関連している。 この診断に触発された確率的経路正規化器は、経路ネットワークからソース情報の一部を隠蔽し、正確な終点を保存する。 得られた正規化により、確率的学習パス境界に対する明示的なエントロピーフロアが得られ、学習したサンプルのボトルネックを実証的に抑制し、ジョイントパスフロートレーニングを効果的にする。 また,SiTバックボーンを用いたImageNet-256x256では,モデルスケールのFIDを一貫して改善し,モデルガイダンストレーニングに拡張し,推論時アーキテクチャとサンプルラをそのままにしておく。 コードはhttps://github.com/lizeyu090312/traj_opt_paperで公開されている。

関連論文リスト

• Utility-Based Path Selection and Configuration in Quantum Networks via Layered Shortest Paths [20.986889484035093]
  量子ネットワーク内の経路は、2人のユーザー間で絡み合いを分配するリピータの連鎖である。 経路の性能が経路とリンクごとの設定にどのように依存するかを示す。 単一ランはフルレートフィデリティフロンティアを返却し、そこから非減少ユーティリティ関数を最大化するパスを選択することができる。
  論文  参考訳（メタデータ） (2026-09-14T18:30:46Z)
• Difficulty-Calibrated Interpolation Paths for Conditional Flow Matching [0.0]
  条件付きフローマッチングは、所定のノイズ・データ・パスの速度にネットワークを後退させて生成モデルを訓練する。 本研究では,条件付きフローマッチングの回帰困難度が経路に沿って系統的に変化することを示す。 本稿では,モデル自体からスケジュールを導出するDifficulty-Calibrated Flow Matchingを提案する。
  論文  参考訳（メタデータ） (2026-08-21T16:42:52Z)
• AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
  動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。 我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。 我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-13T16:00:41Z)
• FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
  現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。 ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。 本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
  論文  参考訳（メタデータ） (2026-02-06T03:24:23Z)
• FlowSteer: Guiding Few-Step Image Synthesis with Authentic Trajectories [82.90132015584359]
  ReFlowはフローマッチングと理論的に整合性があるが、現実的なシナリオでは最適ではない。 本研究では,ReFlowをベースとした蒸留手法であるFlowSteerを提案する。
  論文  参考訳（メタデータ） (2025-11-24T07:13:23Z)
• FlowPath: Learning Data-Driven Manifolds with Invertible Flows for Robust Irregularly-sampled Time Series Classification [14.643457217551484]
  本研究では,制御経路の幾何学を可逆的ニューラルフローで学習する新しいアプローチであるFlowPathを提案する。 FlowPathは、固定補間体や非可逆アーキテクチャを用いて、ベースライン上の分類精度の統計的に有意な向上を実現していることを示す。
  論文  参考訳（メタデータ） (2025-11-13T22:59:26Z)
• FlowDrive: moderated flow matching with data balancing for trajectory planning [5.553127690929986]
  FlowDriveは、条件付き修正フローを学習し、ノイズを直接トラジェクトリ分布にマッピングするフローマッチングトラジェクトリプランナである。 FlowDriveは、学習ベースのプランナーとルールベースの改善によるアプローチ手法の間で、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-09-26T06:49:22Z)
• Enhancing Path Planning Performance through Image Representation Learning of High-Dimensional Configuration Spaces [0.4143603294943439]
  障害物のある未知のシーンにおける経路計画タスクを高速化する新しい手法を提案する。 高速探索ランダムツリーアルゴリズムを用いて,衝突のない経路の経路点分布を近似した。 本実験は,臨界時間制約下での経路計画タスクを高速化する有望な結果を実証する。
  論文  参考訳（メタデータ） (2025-01-11T21:14:52Z)
• Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
  我々は,新しいtextbf Optimal Flow Matching (OFM) アプローチを開発し,理論的に正当化する。 これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。 提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
  論文  参考訳（メタデータ） (2024-03-19T19:44:54Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
  正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる 本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。 実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
  論文  参考訳（メタデータ） (2021-10-05T11:36:25Z)

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。