論文の概要: Knowledge Transfer for Conditional Flow Matching: Frozen Estimation and Adaptation
- arxiv url: http://arxiv.org/abs/2611.15150v1
- Date: Wed, 11 Nov 2026 07:43:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.076568
- Title: Knowledge Transfer for Conditional Flow Matching: Frozen Estimation and Adaptation
- Title(参考訳): 条件付きフローマッチングのための知識伝達:凍結推定と適応
- Abstract要約: 限られた対象データを用いた条件付き生成モデリングは、関連するソース集団で学習した表現の恩恵を受けることができる。
我々は、異なるソースとターゲットの応答分布に対応する条件付きフローマッチングのための伝達学習フレームワークを開発する。
選択手順はオラクルの不等式を満たすことを示し、スイッチングルールは高い確率でターゲットのみの発電機と比較して条件付きエネルギーリスクが増加しないことを保証する。
- 参考スコア(独自算出の注目度): 4.38289152799439
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conditional generative modeling with limited target data can benefit from representations learned in a related source population. We develop a transfer learning framework for conditional flow matching that accommodates distinct source and target response distributions and dimensions. Two procedures exploit a representation learned from source data: TFM-Freeze estimates a target velocity head with the representation fixed, whereas TFM-Adapt jointly learns the head and a representation adaptation under a functional anchoring penalty. For explicit neural network classes, we establish bounds on conditional squared Wasserstein risk that account for source estimation, target fitting, representation mismatch, and numerical integration. When the source representation admits a smooth correction, adaptation replaces the frozen mismatch contribution by the cost of learning the correction and a controllable regularization bias. An information lower bound identifies regimes in which adaptation attains a strictly faster conditional squared Wasserstein risk rate than any generator restricted to the frozen context information. We also develop independent validation procedure for selecting among fitted conditional generators. We show that the selection procedure satisfies an oracle inequality, and the switching rule guarantees, with high probability, no increase in conditional energy risk relative to a target-only generator. Simulations and real data applications illustrate the gains from our proposed methods and the effectiveness of target validation in guarding against negative transfer.
- Abstract(参考訳): 限られた対象データを用いた条件付き生成モデリングは、関連するソース集団で学習した表現の恩恵を受けることができる。
我々は、異なるソースとターゲット応答分布と次元に対応する条件付きフローマッチングのための伝達学習フレームワークを開発する。
TFM-Freezeは表現を固定した目標速度ヘッドを推定するが、TFM-Adaptは機能的アンカーペナルティの下で、頭部と表現適応を共同で学習する。
明示的なニューラルネットワーククラスでは、ソース推定、ターゲットフィッティング、表現ミスマッチ、数値積分を考慮した条件付き二乗ワッサースタインリスクのバウンダリを確立する。
ソース表現がスムーズな修正が認められると、修正の学習コストと制御可能な正規化バイアスによって、凍結ミスマッチ寄与を置き換える。
情報下位境界は、凍結コンテキスト情報に制限されたどのジェネレータよりも厳密に高速な条件付き二乗ワッサースタインリスクレートを達成するレギュレーションを識別する。
また, 適合した条件付き発電機の中から選択するための独立検証手法を開発した。
選択手順はオラクルの不等式を満たすことを示し、スイッチングルールは高い確率でターゲットのみの発電機と比較して条件付きエネルギーリスクが増加しないことを保証する。
シミュレーションと実データ応用は、提案手法の利点と、負の転送に対する防御における目標検証の有効性を示す。
関連論文リスト
- Active Learning of Conditional Generative Models via the Transport Neural Tangent Kernel [41.48513182223616]
本稿では,生成モデルの予測分布がパラメータに対してどれほど敏感であるかを計測する抽出可能なカーネルを提案する。
tNTKをガウス過程の共分散関数として扱い、プール全体のGP後方分散を最小化する入力を優しく選択する。
本研究では,条件付きフローマッチングと条件付きモンジギャップを含む条件付き生成モデルの4つのクラスにわたって,この戦略を評価する。
論文 参考訳(メタデータ) (2026-10-26T15:59:51Z) - TRACE: Transport Alignment Conformal Prediction via Diffusion and Flow Matching Models [4.9352098965615]
多次元出力に対して有効な情報領域を構築する方法について検討する。
交通路の速度や誤差を平均化することにより,候補出力が学習した生成力学とどの程度一致しているかを計測する。
結果として得られるトランスポートベースのスコアはスカラー値であり、共形予測分割を用いて校正することができる。
論文 参考訳(メタデータ) (2026-05-08T01:28:57Z) - Conformal Selective Prediction with General Risk Control [8.936337121607677]
我々は、トレーニングされたモデルと、ユーザ定義、バウンダリ、継続的な評価のリスクに対して、そのような決定を導出するための新しいフレームワークを提案する。
SCoREは、システムがモデルを信頼することを選択したケースのリスクに関する2つの保証を提供する。
提案手法をシミュレーションにより評価し, 薬物発見, 健康リスク予測, 大規模言語モデルにおける誤り管理への応用を通じて, 有効性を示す。
論文 参考訳(メタデータ) (2026-03-25T18:29:23Z) - Transfer Learning Through Conditional Quantile Matching [3.86972243789112]
我々は、異種ソースドメインを利用した回帰学習フレームワークを導入し、データスカースターゲットドメインにおける予測性能を改善する。
提案手法は,各ソース領域に対して個別に条件生成モデルを学習し,条件量子マッチングにより対象ドメインに対する応答を校正する。
論文 参考訳(メタデータ) (2026-02-02T17:19:55Z) - LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。
我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。
本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
論文 参考訳(メタデータ) (2025-12-01T11:27:09Z) - COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳(メタデータ) (2025-06-25T07:04:49Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳(メタデータ) (2023-11-02T16:45:25Z) - Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。
偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。
本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
論文 参考訳(メタデータ) (2023-06-19T18:25:44Z)
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。