論文の概要: FréchetFlow: Flow Matching for Non-Euclidean Data
- arxiv url: http://arxiv.org/abs/2611.15220v1
- Date: Wed, 11 Nov 2026 09:14:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.088921
- Title: FréchetFlow: Flow Matching for Non-Euclidean Data
- Title(参考訳): FréchetFlow: 非ユークリッドデータのためのフローマッチング
- Abstract要約: 距離空間値データのための生成モデリングフレームワークであるFréchetFlowを紹介する。
新しいオブジェクトは生成されたランドマーク表現から再構成される。
実験はユークリッドシミュレーションにおいて確立された流れマッチング法と競合する精度を示す。
- 参考スコア(独自算出の注目度): 4.855663359344747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientific observations such as probability distributions, trees and covariance matrices call for generative models that respect their non-Euclidean geometry. While flow matching has been extended to manifolds by utilizing geodesics and velocities, such manifold structures are not available in a general metric space. We introduce FréchetFlow, a generative modeling framework for metric space-valued data that requires neither linear operations nor a smooth manifold structure. A key feature of the proposed approach is that we utilize well-established Euclidean flows to learn the joint distribution of distances to a set of landmarks, whereupon new objects are reconstructed from generated landmark representations. The reconstruction step utilizes weighted Fréchet means of reference objects, drawing on Fréchet regression. We establish Wasserstein error bounds that connect accuracy of the generated object distributions to the placement of landmarks, flow approximation and reconstruction error and prove consistency under finite second moments. This leads to convergence rates that depend on the metric complexity of the target objects, tail moments and fitting accuracy. Experiments show competitive accuracy with established flow matching methods in Euclidean simulations and lower Wasserstein errors than specifically tailored methods for several scientific datasets. Across simulation settings, we find that generation error decreases as sample size increases.
- Abstract(参考訳): 確率分布、木、共分散行列などの科学的観察は、非ユークリッド幾何学を尊重する生成モデルを要求する。
フローマッチングは測地線と速度を利用して多様体に拡張されているが、そのような多様体構造は一般的な距離空間では利用できない。
FréchetFlowは、線形演算も滑らかな多様体構造も必要としない計量空間値データの生成的モデリングフレームワークである。
提案手法の重要な特徴は,確立されたユークリッド流を用いてランドマークの集合への距離の連成分布を学習し,生成したランドマーク表現から新しい物体を再構成することである。
再構成ステップは、フレシェ回帰に基づいて参照対象の重み付けされたフレシェ手段を利用する。
我々は,生成した物体分布の精度をランドマークの配置,フロー近似,再構成誤差に結合するワッサースタイン誤差境界を確立し,有限第二モーメント下での整合性を証明する。
これにより、対象オブジェクトの計量的複雑さ、テールモーメント、適合精度に依存する収束率が導かれる。
実験では、ユークリッドシミュレーションにおいて確立されたフローマッチング法と競合する精度を示し、ワッサーシュタイン誤差はいくつかの科学的データセットに対して特別に調整された方法よりも低い。
シミュレーション設定全体では,サンプルサイズが大きくなるにつれて生成誤差が減少することがわかった。
関連論文リスト
- Beyond Unimodal Bases: Pullback Geometry for Multimodal Data [20.649125365496605]
本稿では,多様体の混合上でのデータに対するプルバック幾何を提案する。
提案した幾何と高次領域を通る経路の間の公式な関係を導出する。
実験では、輸送歪みの低減、競合経路のサポート、近接参照軌道の回復、リアリズムの改善が示されている。
論文 参考訳(メタデータ) (2026-09-30T20:55:56Z) - 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) - Model Merging on Loss Landscape: A Geometry Perspective [2.2624434825206543]
エピマー(英: EpiMer)は、リーマン多様体上のフレシェ平均を解くためにモデルが合併するフレームワークである。
我々の理論的解析は、マージ誤差を部分空間フレシェ分散と残留エネルギーに分解する。
8つのイメージ分類タスクで微調整されたCLIP-ViTモデルを組み合わせることで、Epistemic Mergingは、マッチしたランクで3つのCLIP-ViTバックボーンのベースラインを厳密に上回る。
論文 参考訳(メタデータ) (2026-05-26T08:33:30Z) - A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。
MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。
合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
論文 参考訳(メタデータ) (2026-05-05T20:19:09Z) - Flow Matching is Adaptive to Manifold Structures [32.55405572762157]
フローマッチングは拡散に基づく生成モデルに代わるシミュレーションベースである。
フローマッチングがデータ幾何学にどのように適応し、次元の呪いを回避するかを示す。
論文 参考訳(メタデータ) (2026-02-25T23:52:32Z) - Riemannian AmbientFlow: Towards Simultaneous Manifold Learning and Generative Modeling from Corrupted Data [4.681760167323748]
本稿では,確率的生成モデルと基礎となる非線形データ多様体を,崩壊した観測から直接学習するためのフレームワークを提案する。
我々は、適切な幾何正規化と測定条件の下で、学習されたモデルは、基礎となるデータ分布を制御可能な誤差まで回復し、滑らかなバイリプシッツ多様体のパラメトリゼーションをもたらすことを示す理論的保証を確立する。
論文 参考訳(メタデータ) (2026-01-26T17:51:52Z) - Latent Iterative Refinement Flow: A Geometric-Constrained Approach for Few-Shot Generation [5.062604189239418]
少ショット生成に対する新しいアプローチであるLIRF(Latent Iterative Refinement Flow)を導入する。
LIRFは,新しいtextbfmanifold保存損失をトレーニングしたオートエンコーダを用いて,安定な潜伏空間を確立する。
このサイクルの中で、候補サンプルは幾何的テクスチャ補正演算子によって洗練される。
論文 参考訳(メタデータ) (2025-09-24T08:57:21Z) - Enforcing Latent Euclidean Geometry in Single-Cell VAEs for Manifold Interpolation [79.27003481818413]
離散的様相変分オートエンコーダの潜在多様体をユークリッド幾何学へ正規化する訓練フレームワークであるFlatVIを紹介する。
遅延空間の直線を復号化された単セル多様体上の測地線に近似させることで、FlatVIは下流アプローチとの整合性を高める。
論文 参考訳(メタデータ) (2025-07-15T23:08:14Z) - On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。
RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。
本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
論文 参考訳(メタデータ) (2024-10-19T02:36:11Z) - Assignment Flows for Data Labeling on Graphs: Convergence and Stability [69.68068088508505]
本稿では、連続時間割当フローを積分代入(ラベル)に収束させることを保証する重みパラメータの条件を確立する。
いくつかの反例は、条件違反は、文脈データ分類に関する代入フローの好ましくない振る舞いを伴う可能性があることを示している。
論文 参考訳(メタデータ) (2020-02-26T15:45:38Z)
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。