KNOWLEDGE VAULT — TAG
タグ「Flow Matching」
収蔵 8件
2026-11-17
eDMD:最終出力分布への集中による拡散モデル蒸留の精度極大化
eDMD: Endpoint Distribution Matching for Few-Step Diffusion Distillation
出典:Hugging Face Daily Papers(Upvotes: 3 | arXiv:2611.17194)
- 拡散モデルを少ステップの生徒モデルへ蒸留する「分布一致蒸留(DMD)」の改良手法eDMDの提案。
- 中間状態ではなく「最終出力(Endpoint)」のみを基準に学習することで、中間分布によるノイズを排除し、正確な一致を保証。
- SD3やFLUX.2といった最新の高品質画像生成モデルにおいて、4ステップ生成時の精度を劇的に向上させる。
2026-11-17
画像と測定値の同時推論による逆問題解決:Dual Flowによる結合フローモデル
Dual Flow: Joint Image-Measurement Interpolation for Inverse Problems
出典:Hugging Face Daily Papers(Upvotes: 1 | arXiv:2611.05843)
- ノイズを含む測定値から「クリーンな画像」と「ノイズ除去された測定値」を同時に推定する結合フローモデル(Dual Flow)の提案。
- 従来の「測定値を条件とした画像生成」に対し、画像と測定値を相互に更新することで、物理モデルへの整合性を保証しつつ高品質な再構成を実現。
- 線形逆問題(超解像、デノイジング、MRI再構成等)において、推論速度の向上とモデル不一致に対する堅牢性を両立。
2026-11-17
Flow-Matchingモデルにおける「キャッシュ再利用」vs「推論ステップ削減」の優位性検証
Cache or Denoise Less? Residual Reuse in a Flow-Matching World Action Model
出典:arXiv cs.LG (Machine Learning)(Authors: Abhinav Gupta, Nissan Pow | 2026-11-15)
- Flow-matchingを用いたロボット行動モデルにおける、計算再利用(C$^3$ache)と推論ステップ削減の比較検証。
- キャッシュ再利用は推論速度の改善に寄与するが、推論ステップを削減する方が精度と速度の両面で優位である可能性を提示。
- LIBERO-Goal等のロボット操作タスクにおいて、推論コストと精度のトレードオフを最適化する際の指針となる。
2026-11-16
楕円関数を用いた最適補間スケジュールとZolotoflow:高条件数分布への超高速・高精度サンプリング
Elliptic Sampling: Optimal Interpolant Schedules for Gaussians and Beyond
出典:arXiv cs.LG (Machine Learning)(Authors: Cole Becker, Taylan Kargin, Kimia Hassibi et al. | 2026-11-13)
- 確率流ODEの解析的性質に基づき、Jacobi楕円関数を用いた新しい分散保存型(Variance-Preserving)補間スケジュールを提案。
- 従来の三角関数スケジュールに対し、ターゲット分布の条件数 $\kappa$ を明示的に組み込むことで、高条件数(細長い分布)への収束を劇的に改善。
- ガウス分布では minimax 最適性を達成し、対数凹分布では次元 $d$ に対して $\sqrt{d}$ の依存度でWasserstein誤差を抑えつつ高速なサンプリングを実現。
2026-11-08
時系列予測における拡散モデルの台頭:包括的なサーベイ
The Rise of Diffusion Models in Time-Series Forecasting
出典:arXiv Core: Tabular, GBDT & Time-Series(Authors: Caspar Meijer, Lydia Y. Chen | 2024-01-05)
- 生成AI分野でSOTAを記録している拡散モデル(Diffusion Models)の時系列予測への適用を網羅的に調査。
- 11の具体的な時系列実装について、背後にある直感、理論、データセットへの有効性、および相互比較を分析。
- 拡散モデルの条件付け手法(Conditioning)の背景から、現在の技術到達点、将来の研究方向性までを体系的に提示。
2026-11-08
ファイバーワイズ最適輸送を用いたモデル認識型スケジュールによる生成精度の向上
Model-Aware Schedules Improve Generation via Fiberwise Optimal Transport
出典:arXiv Core: Conformal, Calibration & Optimal Transport(Authors: Luyi Jia, Boyan Zhang, Yilun Liu et al. | 2026-09-10)
- 拡散モデルやフローマッチングにおける信号・ノイズ係数のスケジュールを、モデルの予測誤差を考慮した「モデル認識型」へ拡張。
- 最適輸送(Optimal Transport)の概念を応用し、特定の時間と状態における信号・ノイズの分解を「ファイバー」として定義。
- 係数パスの運動エネルギー(Kinetic Action)とファイバー内での予測リスクを組み合わせることで、閉形式(Closed-form)での最適な時間配分を導出。
2026-11-08
多様なText-to-3D生成のためのFlow Score Distillation
Flow Score Distillation for Diverse Text-to-3D Generation
出典:arXiv Core: LLM Quantization, Distillation & Test-Time Compute(Authors: Runjie Yan, Kailu Wu, Kaisheng Ma | 2024-05-16)
- Score Distillation Sampling (SDS) は高品質な3D資産を生成できるが、最大尤度を求める性質上、生成結果の多様性が制限される課題がある。
- DDIMの生成プロセス(PF-ODE)をSDS損失の類似表現として捉え直し、SDSを一般化されたDDIM生成プロセスとして再定義した。
- ノイズ付加段階におけるノイズサンプリング戦略が多様性を制限していることを特定し、新たなノイズサンプリング手法を用いた「Flow Score Distillation (FSD)」を提案した。
2026-11-08
離散データのための制約のない単体デノイジング:グラフ生成への非マルコフ的アプローチ
Unrestrained Simplex Denoising for Discrete Data. A Non-Markovian Approach Applied to Graph Generation
出典:arXiv Core: Random Matrix Theory & Ising Spin Glass(Authors: Yoann Boget, Alexandros Kalousis | 2026-03-30)
- 離散状態空間で直接操作する従来の拡散モデルやFlow Matchingに対し、確率単体(Probability Simplex)上で動作するデノイジングフレームワークを提案。
- 異なる時刻のノイズ表現を条件付き独立とする「非マルコフ的ノイズスキーム」を導入することで、モデルの制約を緩和し、数式の簡略化と性能向上を両立。
- 合成データおよび実世界のグラフベンチマークにおいて、強力な離散拡散モデルやFlow Matchingのベースラインを上回る性能を実証。
このページの要約は、収集パイプラインが自動生成した digest(要約)です。内容の正確なところは、必ず各項目の出典リンク先の原文で確認してください。出典の本文そのものは掲載していません。ジャンル分けも自動分類のため、周辺の話題が混ざることがあります。