論文の概要: Posterior Flow Matching

• arxiv url: http://arxiv.org/abs/2610.13994v1
• Date: Sat, 26 Sep 2026 20:44:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:02:54.448893
• Title: Posterior Flow Matching
• Title（参考訳）: 後流マッチング
• Abstract要約: 後流マッチングは、ノイズをデータに転送する方法を学ぶ。 同じモデル評価は、トランスポート予測とエンドポイントの不確実性の両方を提供する。 これらの学習モーメントは平均駆動常微分方程式(ODE)と後駆動常微分方程式(SDE)をサポートする。
• 参考スコア（独自算出の注目度）: 66.30954200728964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow matching learns how to transport noise toward data, but its mean prediction does not directly report the endpoint uncertainty remaining at an intermediate state. This paper introduces Posterior Flow Matching (PFM), a general generative modeling framework that learns conditional velocity means and componentwise variances with a Gaussian posterior model. The same model evaluation supplies both a transport prediction and endpoint uncertainty, making posterior diagnostics available throughout generation. These learned moments support a mean-driven ordinary differential equation (ODE) and a posterior-driven stochastic differential equation (SDE), whose local noise scales adapt to the predicted uncertainty. Across image, point-cloud, molecular, and action generation, PFM improves generation quality and provides endpoint-posterior readouts throughout generation.
• Abstract（参考訳）: フローマッチングは、ノイズをデータに転送する方法を学ぶが、その平均予測は中間状態にあるエンドポイントの不確実性を直接報告しない。 本稿では,PFM(Posterior Flow Matching)について紹介する。このフレームワークは,ガウス後部モデルを用いて,条件速度平均と成分方向のばらつきを学習する一般的な生成モデルである。 同じモデル評価は、トランスポート予測とエンドポイントの不確実性の両方を提供する。 これらの学習モーメントは、平均駆動常微分方程式(ODE)と後駆動確率微分方程式(SDE)をサポートし、局所雑音スケールは予測された不確実性に適応する。 画像、ポイントクラウド、分子、アクション生成全体にわたって、PFMは生成品質を改善し、生成を通してエンドポイント後読み出しを提供する。

関連論文リスト

• GRAM: Correcting Frozen Time-Series Foundation Models via Graph-Retrieved Amplitude Memory [58.68570511441593]
  時系列基礎モデル(TSFM)は、ドメイン間事前トレーニングによるゼロショット予測を可能にする。 冷凍TSFMのための一般的な検索拡張フレームワークであるGRAMを提案する。
  論文  参考訳（メタデータ） (2026-10-04T00:20:36Z)
• A Unified Framework for Bayesian Data Assimilation with Generative Models and Observation Interpolants [0.0]
  本研究では,事前学習した補間材,フローマッチング,拡散モデルを再学習せずに後部サンプルに変換する観察補間フレームワークを提案する。 我々は, 線形および二次元力学, 2次元ナビエ・ストークス, 都市気流の枠組みを最大自由度$O(104)$まで評価した。
  論文  参考訳（メタデータ） (2026-10-02T14:46:44Z)
• GRFBrain: Graph-Structured Rectified Flows for EEG Dynamic Modeling [31.35440816022451]
  本稿では, 残留輸送から条件平均予測を分離するグラフ構造残流フレームワークを提案する。 条件速度場は、ソースサンプルを将来のグラフ残基に輸送し、輸送時間と物理的脳波時間とを明確に区別する。
  論文  参考訳（メタデータ） (2026-09-29T16:18:44Z)
• PosteriorBench: From Point Estimates to Posterior Matching in Evaluating Generative Inverse Solvers [58.87583368961845]
  PosteriorBenchは、生成的逆解器の分布精度を評価するためのベンチマークである。 ダーシーフローの逆転、ポアソン源の回復、炭素捕獲と貯蔵、光輸送物質推論の4つの物理に基づく逆問題を評価する。
  論文  参考訳（メタデータ） (2026-09-17T17:54:12Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Diffusion Models: A Mathematical Introduction [3.8673630752805437]
  本稿では拡散に基づく生成モデルの自己完結型導出について述べる。 第一原理から拡散確率モデルを構築する。 読者はこの理論に従い、実際に対応するアルゴリズムを実装することができる。
  論文  参考訳（メタデータ） (2025-11-13T16:20:52Z)
• The Principles of Diffusion Models [81.12042238390075]
  拡散モデリングは、データを徐々にノイズに分解するフォワードプロセスを定義することから始まる。 目標は、ノイズをデータに変換しながら、同じ中間体を回復するリバースプロセスを学ぶことだ。 エネルギーベースモデリングに根ざしたスコアベースビューは、進化するデータ分布の勾配を学習する。 フローベースのビューは、フローの正規化に関連するもので、サンプルをノイズからデータに移すスムーズなパスに従って生成する。
  論文  参考訳（メタデータ） (2025-10-24T02:29:02Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Non-stationary Diffusion For Probabilistic Time Series Forecasting [3.7687375904925484]
  非定常拡散(NsDiff)と呼ばれる拡散に基づく確率的予測フレームワークを開発する。 NsDiffは、デノナイズド拡散に基づく条件生成モデルと、事前訓練された条件平均と分散推定器を組み合わせる。 9つの実世界および合成データセットで実施された実験は、既存のアプローチと比較して、NsDiffの優れた性能を示している。
  論文  参考訳（メタデータ） (2025-05-07T09:29:39Z)

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。