論文の概要: Escaping the Curse of Dimensionality in One-Step Flow-Based Generative Models
- arxiv url: http://arxiv.org/abs/2611.15447v1
- Date: Wed, 11 Nov 2026 13:17:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.14985
- Title: Escaping the Curse of Dimensionality in One-Step Flow-Based Generative Models
- Title(参考訳): 1ステップフローベース生成モデルにおける次元曲線の抽出
- Abstract要約: 流れと拡散に基づく生成モデルは最先端の品質を達成するが、推論時に複数の前方通過が必要となる。
一貫性モデルはフローマップを直接学習することでこれを克服し、数ステップ生成を可能にし、テスト時に必要となる計算を劇的に削減する。
本研究では,ガウス雑音を伴った低次元表面からデータ分布が生成されるという仮定の下で,一段階のフローベースモデルが次元の呪いから逃れられるかどうかを考察する。
- 参考スコア(独自算出の注目度): 1.776746672434207
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flow and diffusion-based generative models achieve state-of-the-art quality, but require multiple forward passes at inference time, making them computationally costly. Consistency models overcome this by learning a flow map directly, enabling few-step generation and dramatically reducing the computation needed at test time. However, formal statistical guarantees for such one-step generators are scarce. Existing results either suffer from the curse of dimensionality or rely on impractical loss functions. We investigate whether one-step flow-based models can escape the curse of dimensionality under the assumption that the data distribution is generated by a low-dimensional surface perturbed with Gaussian noise. In this setup, we derive approximation and generalization error bounds for the flow map estimate that circumvent the curse of dimensionality. Our findings provide the first principled explanation for practical success of one-step flow-based generative models.
- Abstract(参考訳): 流れと拡散に基づく生成モデルは最先端の品質を達成するが、推論時に複数の前方通過が必要であり、計算コストがかかる。
一貫性モデルはフローマップを直接学習することでこれを克服し、数ステップ生成を可能にし、テスト時に必要となる計算を劇的に削減する。
しかし、そのような一段階発生器の正式な統計的保証は乏しい。
既存の結果は次元の呪いに悩まされるか、非現実的な損失関数に依存している。
本研究では,ガウス雑音を伴った低次元表面からデータ分布が生成されるという仮定の下で,一段階のフローベースモデルが次元の呪いから逃れられるかどうかを考察する。
この設定では,次元の呪いを回避するためのフローマップ推定に対する近似と一般化誤差を導出する。
本研究は,一段階のフローベース生成モデルの実用的成功を第一原理的に説明するものである。
関連論文リスト
- Stochastic Flow Map for Count Data [6.091702876917281]
カウントフローマップ(英: Count Flow Map)は、有限時間遷移を直接数空間で学習する生成モデルである。
数値フローマップは,1段階から数段階まで,推論予算全体にわたって,数量空間内での高品質な生成を可能にする。
論文 参考訳(メタデータ) (2026-09-20T01:55:34Z) - Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。
速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
論文 参考訳(メタデータ) (2025-12-01T05:14:25Z) - One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。
われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。
本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
論文 参考訳(メタデータ) (2025-02-27T07:47:27Z) - Pruning for Sparse Diffusion Models based on Gradient Flow [5.45577871017303]
拡散モデル(DM)は、世代モデル間で印象的な能力を持つが、推論速度が遅いことと計算コストが高いことに制限されている。
従来の作業では、単発構造プルーニングを使用して、事前訓練されたものから軽量DMを導出するが、このアプローチは世代品質を著しく低下させることが多い。
本稿では,勾配流プルーニングプロセスと勾配流プルーニング基準を含む勾配流に基づく反復的プルーニング法を提案する。
論文 参考訳(メタデータ) (2025-01-16T10:55:05Z) - 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) - Local Flow Matching Generative Models [19.859984725284896]
フローマッチング(英: Flow Matching, FM)は、2つの分布を補間する連続的かつ非可逆的な流れを学習するためのシミュレーション不要な手法である。
FMサブモデルのシーケンスを連続的に学習するLFM(Local Flow Matching)と呼ばれるステップワイズFMモデルを提案する。
FMと比較して, LFMの訓練効率と競争的生成性能の改善を実証的に実証した。
論文 参考訳(メタデータ) (2024-10-03T14:53:10Z) - Minimizing Trajectory Curvature of ODE-based Generative Models [45.89620603363946]
拡散モデル、整流モデル、流れマッチングなどの最近の生成モデルは、生成過程を固定前進過程の時間反転として定義する。
我々は, ODE/SDEシミュレーションを使わずに生成軌道の曲率を最小化するために, 前進過程を効率的に訓練する方法を提案する。
論文 参考訳(メタデータ) (2023-01-27T21:52:03Z) - Discrete Denoising Flows [87.44537620217673]
分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。
他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。
そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
論文 参考訳(メタデータ) (2021-07-24T14:47:22Z)
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。