論文の概要: Conditional Mean Flows: Few-Step Densities for Simulation-Based Inference

• arxiv url: http://arxiv.org/abs/2610.21657v1
• Date: Thu, 15 Oct 2026 10:36:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.027761
• Title: Conditional Mean Flows: Few-Step Densities for Simulation-Based Inference
• Title（参考訳）: 条件付き平均流:シミュレーションに基づく推論のための数ステップ密度
• Abstract要約: 本研究では,数ステップのサンプリングとトラクタブル密度評価を併用して,後方および近距離近似のための条件付き平均流を構築した。 特に, 単段階平均流量密度評価では, 200段フローマッチングに匹敵する推定誤差が生じる。
• 参考スコア（独自算出の注目度）: 3.788400569225553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow matching has emerged as a powerful generative family for simulation-based inference (SBI). However, sampling and density evaluation require numerical integration at inference time. This makes posterior sampling in neural posterior estimation costly. More importantly, it can make repeated likelihood evaluation prohibitively expensive and impractical for Markov chain Monte Carlo (MCMC) sampling, which may require thousands of repeated density evaluations. Here, we develop conditional mean flows for posterior and likelihood approximation, combining few-step sampling with tractable density evaluation. We show that the mean flow objective identifies conditional flow maps and that independent masking enables direct estimation of marginal likelihoods. We evaluate both posterior and likelihood estimation across several tasks and show that conditional mean flows retain the flexibility of flow-based density estimators while significantly reducing inference time. In particular, single-step conditional mean flow density evaluation yields estimation error comparable to 200-step flow matching while enabling about 200-fold faster downstream MCMC sampling.
• Abstract（参考訳）: フローマッチングはシミュレーションベース推論(SBI)のための強力な生成ファミリとして登場した。 しかし、サンプリングと密度評価は推論時に数値積分を必要とする。 これにより、神経後部推定における後部サンプリングがコストがかかる。 さらに重要なことは、マルコフ連鎖モンテカルロ (MCMC) のサンプリングには違法に高価で非実用的であり、数千の繰り返し密度評価を必要とする可能性がある。 そこで我々は,数ステップのサンプリングとトラクタブル密度評価を併用して,後方および近距離近似のための条件付き平均流を構築した。 本研究では, 平均流量が条件付きフローマップを識別し, 独立マスキングが限界確率の直接推定を可能にすることを示す。 本研究では,複数のタスクにおける後部および後部推定と推定の双方を評価し,条件付き平均流量が流量に基づく密度推定器の柔軟性を保ちつつ,推定時間を大幅に短縮することを示す。 特に, 単段階平均流量密度評価では, 200段流マッチングに匹敵する推定誤差が得られ, 下流MCMCサンプリングの精度は約200倍に向上した。

関連論文リスト

• Flow Matching for Fast Posterior Sampling in Bayesian Inverse Problems [0.46664938579243564]
  条件付きフローマッチングは、シーケンシャルなモンテカルロ推論に代わる償却された代替手段を提供する。 我々は,全変量距離とKulback-Leibler分散における基礎となる近似後方の計算可能な精度推定を導出する。 精度評価を検証し,いくつかの数値例でアモーティゼーションを実証する。
  論文  参考訳（メタデータ） (2026-10-01T18:58:36Z)
• Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
  フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。 平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。 球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
  論文  参考訳（メタデータ） (2026-03-11T12:41:46Z)
• Flow-Based Density Ratio Estimation for Intractable Distributions with Applications in Genomics [80.05951561886123]
  我々は条件認識フローマッチングを利用して、生成軌道に沿った密度比を追跡するための1つの動的定式化を導出する。 クローズドフォーム比推定のためのシミュレーションベンチマーク上での競合性能を実証し,本手法が単一セルゲノミクスデータ解析における多目的タスクをサポートすることを示す。
  論文  参考訳（メタデータ） (2026-02-27T17:27:55Z)
• Joint Distillation for Fast Likelihood Evaluation and Sampling in Flow-based Models [100.28111930893188]
  今日の最高の生成モデルの中には、単一の可能性を計算するために、数百から数千の神経機能評価を必要とするものもあります。 本研究では, 高速流動継手蒸留法 (F2D2) を提案し, サンプリングに必要なNFEの数を2桁に減らした。 F2D2はモジュール構造であり、既存のフローベースの数ステップサンプリングモデルと互換性がある。
  論文  参考訳（メタデータ） (2025-12-02T10:48:20Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• MixFlows: principled variational inference via mixed flows [15.723555563232498]
  MixFlowsは、初期参照分布に対するマップの繰り返し適用の混合からなる、新しいバリエーションファミリである。 また,MixFlowsは,フローマップがエルゴード的かつ測度保存的である場合にMCMCライクな収束を保証することを示す。 また,不正確な離散化ハミルトン力学と決定論的運動量リフレッシュを併用したMixFlowの実装も開発した。
  論文  参考訳（メタデータ） (2022-05-16T06:57:57Z)
• Conditional Density Estimation via Weighted Logistic Regressions [0.30458514384586394]
  非均一プロセスモデルの一般密度と可能性関数の関連性を示すパラメトリック条件密度推定法を提案する。 最大推定値は重み付けされたロジスティック回帰によって得ることができ、ブロックワイズ交互化スキームと局所ケースコントロールサンプリングを組み合わせることで計算を著しく緩和することができる。
  論文  参考訳（メタデータ） (2020-10-21T11:08:25Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)
• Composing Normalizing Flows for Inverse Problems [89.06155049265641]
  本稿では,2つの流れモデルの合成として,対象条件を推定する近似推論フレームワークを提案する。 本手法は,様々な逆問題に対して評価し,不確実性のある高品質な試料を作製することを示した。
  論文  参考訳（メタデータ） (2020-02-26T19:01:11Z)

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。