論文の概要: Trajectory Matching: Discrete Flow Matching with Structured Actions

• arxiv url: http://arxiv.org/abs/2610.32602v1
• Date: Fri, 23 Oct 2026 13:27:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.525687
• Title: Trajectory Matching: Discrete Flow Matching with Structured Actions
• Title（参考訳）: 軌道マッチング: 離散フローマッチングと構造的動作
• Abstract要約: 軌道マッチング条件は、エンドポイントを接続するアクションの完全なシーケンス上のフローである。 得られた目的が限界流を回復し、軌道整合が厳密に分解されたDFMを仮定することを証明する。
• 参考スコア（独自算出の注目度）: 49.173179027877914
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The natural units of structured discrete generation are often not independent single-component edits but richer actions: attaching a fragment to a molecule, inserting a node together with an incident edge, or growing a hierarchy by adding a child. Yet most existing discrete flow matching methods (DFM) are restricted to independent component-wise edits over fixed-size states. This restriction stems from endpoint conditioning: endpoints fix the source and target during training but not the action sequence between them, making tractable conditional rates hard to define for complex actions that cannot be factorized component-wise. We propose trajectory matching, which conditions the flow on a full sequence of actions connecting the endpoints. This yields principled, simulation-free training targets for user-defined action spaces, including actions that change state size, modify multiple components, or depend on earlier actions. We prove that the resulting objective recovers the marginal flow and that trajectory matching strictly subsumes factorized DFM, while additionally capturing actions with prerequisite structure such as hierarchy growth or fragment-based molecule generation. Empirically, on tree and molecular graph generation, trajectory matching with domain-aligned actions matches or surpasses factorized DFM baselines (lifting MOSES validity from 92.8% to 99.2%) and transfers without retraining to substructure extension and linking. Trajectory matching enlarges the design space of discrete flow matching by turning the action vocabulary into a modeling choice. An interactive explanation of trajectory matching is available at https://niklaskemper.com/blog/trajectory-matching/.
• Abstract（参考訳）: 構造化された離散生成の自然な単位は独立した単一コンポーネントの編集ではなく、よりリッチなアクションである:分子にフラグメントをアタッチしたり、インシデントエッジと共にノードを挿入したり、子供を追加することによって階層を成長させたりする。 しかし、既存の離散フローマッチング法(DFM)の多くは、固定サイズ状態に対する独立したコンポーネントワイド編集に制限されている。 エンドポイントはトレーニング中にソースとターゲットを固定するが、それらの間のアクションシーケンスは固定しない。 本稿では,終端を接続する行動列のフローを条件付けるトラジェクトリマッチングを提案する。 これは、状態サイズを変更したり、複数のコンポーネントを変更したり、以前のアクションに依存するアクションを含む、ユーザ定義のアクション空間に対する、原則化されたシミュレーション不要なトレーニングターゲットをもたらす。 得られた目的が限界流を回復し, 軌道整合性は厳密に因子化DFMを仮定し, さらに, 階層成長やフラグメントベース分子生成などの前提構造による作用を捉える。 実験的に、木や分子グラフの生成において、ドメインに整合したアクションと一致する軌道は、因子化されたDFMベースライン(MOSESの妥当性を92.8%から99.2%に引き上げる)と、サブストラクチャ拡張やリンクにリトレーニングせずに転送する。 軌道マッチングは、アクション語彙をモデリング選択に変換することにより、離散フローマッチングの設計空間を拡大する。 トラジェクトリマッチングに関するインタラクティブな説明はhttps://niklaskemper.com/blog/trajectory-matching/で公開されている。

関連論文リスト

• Training-Free Transformer Merging via Sequential Local Operator Alignment [62.80152875963259]
  トレーニングフリーのモデルマージは、ラベル付きデータにさらなる最適化を加えることなく、複数の微調整されたモデルを単一のモデルに組み合わせることを目的としている。 トランスでは、クエリキーと値出力演算子が合成行列に依存するため、個々のレイヤを独立にマージすることは、共有の注意に影響を与える可能性がある。 本稿では,部分的にマージされたモデルの実行経路に沿ってトランスフォーマーをマージするトレーニングフリーな手法であるSequential Local Operator Alignmentを紹介する。
  論文  参考訳（メタデータ） (2026-10-05T14:30:28Z)
• Source-Lifted Flow Matching for Intervenable Multimodal Imitation [45.97335144597459]
  Source-Lifted Flow Matchingは、ソース交換可能なフローマッチングポリシーである。 Handleは、モード固有のフィールドではなく、条件付きフローのソースエンドポイントのみを選択する。
  論文  参考訳（メタデータ） (2026-07-11T08:33:04Z)
• Modular Diffusion Models for Structured Visual Recognition [52.38687800325397]
  与えられた入力画像に対する構造化出力の分布を学習する,シンプルで斬新なフレームワークであるModular Diffusion Models (MDMs)を提案する。 MDMは拡散過程を異なるタスク固有のモジュールに分解し、それぞれが構造化情報空間の異なる側面を捉えることに重点を置いている。 このモジュール設計により、各コンポーネントは独立して学習でき、追加のトレーニングなしで推論時にシームレスに統合できる。
  論文  参考訳（メタデータ） (2026-06-21T22:38:35Z)
• Reward Transport: Property Control in Flow Matching via Noise-Space Alignment [30.541631728490202]
  フローマッチングにおける結合は、学習されたフローフィールドに直接制御可能な構造を埋め込むことができることを示す。 トレーニング時に最適な輸送結合を用いて,スカラーノイズ空間座標を分子報酬と整合させるReward Transportを導入する。 実験的に、ZINC-250K と Guaca 上で、スカラーを網羅すると logP の単調な制御と、その動作範囲に対する一貫した QED 制御が誘導される。
  論文  参考訳（メタデータ） (2026-06-13T00:17:15Z)
• EgoAction: Egocentric Action Composition with Reliability-Aware Temporal Fusion for the EPIC-KITCHENS Action Detection Challenge at CVPR 2026 [69.56534058291463]
  EgoActionは、統合された分離された検出と融合パイプラインである。 パイプラインはEPICに精細化されたVideoMAE-L機能を使用し、因果時間モデルを用いて名詞と動詞の時間的検出器を分離する。 EgoActionは、エゴセントリックな時間的行動検出のためのコンパクトで再現可能なシステムを提供する。
  論文  参考訳（メタデータ） (2026-05-23T10:05:56Z)
• A Unified Conditional Flow for Motion Generation, Editing, and Intra-Structural Retargeting [26.68081874066983]
  両タスクを単一の生成フレームワーク内で条件付き移動のインスタンスとしてキャストする統一的な視点を示す。 我々はこのビジョンを、整流運動モデルと目標骨格構造を併用して実装する。 SnapMoGenとマルチキャラクタのMixamoサブセットの実験は、単一のトレーニングされたモデルがテキスト・ツー・モーション生成、ゼロショット編集、ゼロショット・イン・ストラクチャをサポートすることを示している。
  論文  参考訳（メタデータ） (2026-04-15T02:53:07Z)
• Unified Number-Free Text-to-Motion Generation Via Flow Matching [0.0]
  生成モデルは一定数のエージェントの運動合成において優れるが、可変エージェントの一般化に苦慮する。 ピラミッド運動流(P-Flow)とセミノイズ運動流(S-Flow)からなる統一運動流(UMF)を提案する。 UMFは、無数運動生成をシングルパス運動前生成ステージとマルチパス反応生成ステージに分解する。
  論文  参考訳（メタデータ） (2026-03-27T23:10:56Z)
• Primary-Fine Decoupling for Action Generation in Robotic Imitation [91.2899765310853]
  ロボット操作動作シーケンスにおけるマルチモーダル分布は、模倣学習にとって重要な課題である。 PF-DAG(プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、PF-DAG)を提案する。 PF-DAGは、Adroit、DexArt、MetaWorldベンチマークの56タスクで最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-25T08:36:45Z)

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。