論文の概要: Coarse-Graining Optimal Transport for Rollout-Free Post-Training of Flow Matching

• arxiv url: http://arxiv.org/abs/2610.41269v1
• Date: Fri, 30 Oct 2026 05:24:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.620931
• Title: Coarse-Graining Optimal Transport for Rollout-Free Post-Training of Flow Matching
• Title（参考訳）: フローマッチングの無転がり後トレーニングにおける粗粒輸送の最適化
• Abstract要約: フローマッチングは、ソースとターゲットのサンプルの結合に大きく依存する。 ReCoupleは、大きめのOT結合を構築し、ロールアウト不要のOTベースのポストトレーニングをよりよく理解するために、制御可能なフレームワークである。
• 参考スコア（独自算出の注目度）: 47.826418294813095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow matching depends critically on the coupling used to pair source and target samples. Optimal transport (OT) couplings can reduce velocity conflict and straighten trajectories; but, in practice, challenges remain: the source comes from a continuous distribution, only a finite number of target samples data are accessible, and the neural network has finite capacity. For these reasons, making the coupling more OT-like may not consistently improve sampling quality, in particular in the low number-of-function-evaluation (NFE) regime. Motivated by this, we introduce ReCouple, a controllable framework that constructs coarse-grained OT couplings, to better understand rollout-free OT-based post-training. We also consider extensions of this basic framework: ReCouple+ extends this toward the continuous-source setting by increasing source resolution, converging to semi-discrete OT in the appropriate limit; and ReCouple++ further adds spatial regularization, motivated by the observation that straight trajectories need not correspond to spatially simple velocity fields. Empirical validation demonstrates the effectiveness of these methods, and it reveals an NFE-dependent interplay between coupling optimality, neural realizability, and generation quality.
• Abstract（参考訳）: フローマッチングは、ソースとターゲットのサンプルの結合に大きく依存する。 最適な輸送(OT)結合は、速度の衝突を減らし、軌道を直線化することができるが、実際には、ソースは連続的な分布から生まれ、限られた数のサンプルデータしかアクセスできず、ニューラルネットワークは有限の能力を持つという課題が残る。 これらの理由から、結合をよりOTライクにすることはサンプリング品質、特にNFE(low number-of-function-evaluation)体制において、一貫して改善されない可能性がある。 これを受けて、大きめのOT結合を構成する制御可能なフレームワークであるReCoupleを導入し、ロールアウト不要のOTベースのポストトレーニングをよりよく理解する。 ReCouple+は、ソースの解像度を高め、適切な制限で半離散OTに収束することで、これを連続的なソース設定に拡張する。 経験的検証はこれらの手法の有効性を示し、結合の最適性、ニューラルな実現可能性、生成品質の間のNFE依存的な相互作用を明らかにする。

関連論文リスト

• Scaling Online Optimal Transport Minibatches for Flow Matching [55.12648363911538]
  フローマッチングにおいて、安定性は、ソースサンプルとデータをどのように組み合わせるかに大きく依存する。 アプリケーションが大規模で高次元のデータセットに拡張されるにつれて、ミニバッチはこれらの利点を制限することができる。 我々は,大規模なソースとターゲットの結合を可能にする,スケーラブルなオンラインエントロピーOT近似を開発した。
  論文  参考訳（メタデータ） (2026-10-13T17:56:26Z)
• Optimal Transport Flow Matching by Design [26.301026025241374]
  フローマッチングモデルは、単純な事前分布から複雑なデータ分布へサンプルを輸送することを学ぶ。 我々は、事前を固定入力ではなく設計選択として扱うことで問題を再構築する。 本手法は,既存の流れマッチング法と比較して,軌道曲率を2倍以上削減する。
  論文  参考訳（メタデータ） (2026-06-02T18:00:05Z)
• $\boldsymbol{f}$-OPD: Stabilizing Long-Horizon On-Policy Distillation with Freshness-Aware Control [10.758424473099055]
  システム効率には非同期実行が必要ですが、理想のオン政治目標から構造的に逸脱します。 本稿では,古いサンプルの影響を適応的に制御し,政策ドリフトを制約する新しいフレームワークであるf-OPDを提案する。 以上の結果から,OPDにおけるパフォーマンス効率トレードオフを実現するための最初のレシピが確立された。
  論文  参考訳（メタデータ） (2026-05-18T05:14:18Z)
• Improved techniques for fine-tuning flow models via adjoint matching: a deterministic control pipeline [7.967038299436285]
  本稿では,フローベース生成モデルに対する人間の嗜好アライメントを定式化する決定論的随伴マッチングフレームワークを提案する。 この観点から、軌道の終端部分に焦点をあてたトランク付き随伴スキームを導入する。 我々は、標準KLベースの正規化を超えてフレームワークをさらに一般化し、アライメント強度と分布保存の間のより柔軟なトレードオフを可能にする。
  論文  参考訳（メタデータ） (2026-05-07T17:12:47Z)
• Local adapt-then-combine algorithms for distributed nonsmooth optimization: Achieving provable communication acceleration [50.67878993903822]
  通信効率のよいAdapt-Then-Combine (ATC) フレームワークであるFlexATCを提案する。 ローカル更新がATCベースの分散アルゴリズムの通信高速化につながることを示すのはこれが初めてである。
  論文  参考訳（メタデータ） (2026-02-18T02:47:05Z)
• Joint Optimal Transport and Embedding for Network Alignment [66.49765320358361]
  本稿では,JOENA というネットワークアライメントのための統合最適トランスポートおよび埋め込みフレームワークを提案する。 統一された目的により、両手法の相互利益は、コンバージェンスを保証する最適化スキーマの交互化によって達成できる。 実世界のネットワークの実験はJOENAの有効性とスケーラビリティを検証し、最大16%の改善と20倍の高速化を実現した。
  論文  参考訳（メタデータ） (2025-02-26T17:28:08Z)
• 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)
• Learning Optimal Transport Between two Empirical Distributions with Normalizing Flows [12.91637880428221]
  本稿では、ニューラルネットワークの柔軟性を活用して、最適輸送マップを近似的に学習することを提案する。 我々は、このOT問題の解を近似するために、非可逆ニューラルネットワークの特定の例、すなわち正規化フローが利用できることを示した。
  論文  参考訳（メタデータ） (2022-07-04T08:08:47Z)
• Low-rank Optimal Transport: Approximation, Statistics and Debiasing [51.50788603386766]
  フロゼットボン2021ローランで提唱された低ランク最適輸送(LOT)アプローチ LOTは興味のある性質と比較した場合、エントロピー正則化の正当な候補と見なされる。 本稿では,これらの領域のそれぞれを対象とし,計算OTにおける低ランクアプローチの影響を補強する。
  論文  参考訳（メタデータ） (2022-05-24T20:51:37Z)

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。