論文の概要: Logical Guidance of Stochastic Interpolants

• arxiv url: http://arxiv.org/abs/2610.38648v1
• Date: Wed, 28 Oct 2026 10:59:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.397137
• Title: Logical Guidance of Stochastic Interpolants
• Title（参考訳）: 確率補間材の論理的誘導
• Abstract要約: Flow Matching (FM) と Interpolants (SI) は速度場を学習する。 我々は,任意の補間剤に対して,否定と排他的解離が厳密な条件速度組成を認めていることを示す。 LOGSIは、スコアベースの再平衡を原則的メカニズムとして使用することで、この問題を解決する。
• 参考スコア（独自算出の注目度）: 20.792455554485787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Guidance and composition of generative models have applications in visual design, chemistry, and biology. Logical guidance composes conditional scores exactly for diffusion models. However, Flow Matching (FM) and Stochastic Interpolants (SI) learn velocity fields. We show that negation and exclusive disjunction admit exact conditional velocity composition on any interpolant, whereas conjunction, and therefore any formula containing one, is exact on Gaussian paths but in general incurs a drift-interaction error, so composed velocities need not sample the logical target. LOGSI solves this by using score-based re-equilibration as our principled mechanism and falling back to the Gaussian-path velocity rule as an approximate transport predictor. In non-Gaussian bridge problems, generation alternates transport steps with score re-equilibration steps. On image trans fer (EMNIST to CMNIST, CelebA) and QM9 source-to-target molecular editing with logical attribute constraints, LOGSI improves rule conformity at the same network-evaluation budget over composed-velocity baselines, while also improving fidelity on the image tasks. More broadly, LOGSI applies wherever stochastic interpolants need guidance and logical combinations of constraints are natural.
• Abstract（参考訳）: 生成モデルの誘導と構成は視覚設計、化学、生物学に応用されている。 論理的ガイダンスは拡散モデルに対して正確に条件付きスコアを構成する。 しかし、フローマッチング(FM)と確率補間(SI)は速度場を学習する。 我々は,任意の補間体上での否定と排他的解離が正確な条件速度組成を認めているのに対し,同伴体を含む任意の公式はガウス経路上では正しいが,一般的にはドリフト-相互作用誤差を生じさせるので,合成速度は論理的対象をサンプリングする必要はないことを示す。 LOGSIは、スコアベースの再平衡を原理的メカニズムとして使用し、近似輸送予測器としてガウスパス速度則に回帰することでこれを解決している。 非ガウス橋問題では、生成は輸送ステップとスコアの再平衡ステップを交互に置き換える。 画像トランスファー(EMNISTからCMNIST、CelebA)およびQM9のソース・トゥ・ターゲット分子編集において、LOGSIは、合成速度ベースラインよりも同じネットワーク評価予算での規則整合性を改善し、画像タスクの忠実性も向上する。 より広範に、LOGSIは、確率的補間者がガイダンスを必要とし、制約の論理的組み合わせが自然である場合に適用される。

関連論文リスト

• Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
  本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。 変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。 サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-07T12:28:45Z)
• Topological Flow Matching [56.16372813551555]
  フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。 トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。 脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
  論文  参考訳（メタデータ） (2026-06-14T16:29:33Z)
• 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)
• Coreset-Induced Conditional Velocity Flow Matching [4.297295761793895]
  データインフォームドソース分布を用いて階層的整流を増大させる生成モデルを提案する。 鍵となる観測は、この内部のソースは、ターゲットのコアセットから構築されたクローズドフォームのサロゲートに置き換えられることである。 この正確なサロゲート源から訓練された軽量な補正流は、残りのサロゲートからターゲットへの残留物を洗練させる。
  論文  参考訳（メタデータ） (2026-05-13T03:34:40Z)
• An Explicit Surrogate for Gaussian Mixture Flow Matching with Wasserstein Gap Bounds [0.17478203318226307]
  2つのガウス混合モデル間の学習自由流のマッチングについて検討する。 我々は、時間とともに一方の混合物を他方に輸送する明示的な速度場を使用する。
  論文  参考訳（メタデータ） (2026-03-30T20:47:22Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• On Exact Editing of Flow-Based Diffusion Models [97.0633397035926]
  本研究では,フローベース編集を既知ソースによって駆動される分散変換問題として再構成する条件付き速度補正(CVC)を提案する。 CVCは、双対パースペクティブな速度変換機構を導入することにより、分配間変換における速度の役割を再考する。 我々は,CVCが優れた忠実度,セマンティックアライメント,多種多様なタスクに対する信頼性の高い編集動作を一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2025-12-30T06:29:20Z)
• Tilt Matching for Scalable Sampling and Fine-Tuning [4.14348726233299]
  本研究では,非正規化密度のサンプルや微調整生成モデルに補間剤を用いるスケーラブルなアルゴリズムを提案する。 ティルトマッチング(Tilt Matching)という手法は、流れのマッチング速度と、報酬によって傾いた同じ分布をターゲットにした力学方程式から生じる。 我々は,この手法が効率的かつ高度に拡張可能であることを実証的に検証し,レナード・ジョーンズポテンシャルの下でのサンプリングにおける最先端の結果を提供し,微調整安定拡散に競争力を持つことを示した。
  論文  参考訳（メタデータ） (2025-12-26T02:12:10Z)
• Latent Schrodinger Bridge: Prompting Latent Diffusion for Fast Unpaired Image-to-Image Translation [58.19676004192321]
  ノイズからの画像生成とデータからの逆変換の両方を可能にする拡散モデル (DM) は、強力な未ペア画像対イメージ(I2I)翻訳アルゴリズムにインスピレーションを与えている。 我々は、最小輸送コストの分布間の微分方程式(SDE)であるSchrodinger Bridges (SBs) を用いてこの問題に取り組む。 この観測に触発されて,SB ODE を予め訓練した安定拡散により近似する潜在シュロディンガー橋 (LSB) を提案する。 提案アルゴリズムは,従来のDMのコストをわずかに抑えながら,教師なし環境での競合的I2I翻訳を実現していることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:24:14Z)
• GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
  我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。 本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。 動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
  論文  参考訳（メタデータ） (2023-09-28T07:46:01Z)

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。