多様体安定フローマッチング

- Flow matching (FM) の新手法 **manifold-stable flow matching (MSFM)** を提案。 - 任意の ambient prior から開始でき、データ多様体上に支持された prior を仮定しない。 - 非線形力学の **contraction theory** を用い、学習された接線方向の輸送と規定の法線方向収縮を組み合わせる。 - 既知多様体には解析的 projector、未知のデータ幾何には PCA による局所 affine proxy を使用。 - 多様体不変性と、望ましい時間窓（例：1秒）内での多様体への横断収束を保証する。

- 従来の geometric FM はデータ多様体上に支持された prior を仮定し、しばしば利用できない幾何知識を必要とした。 - そのような知識なしでは、低い回帰誤差だけでは多様体遵守を保証できない。 - MSFM は任意の ambient prior から開始でき、多様体不変性と横断収束を理論的に保証する。 - 既知・未知の多様体の両方で contraction theory を実装し、望ましい時間窓内での収束を保証。 - 実験で Push-T の成功率を 74% から 82% に、Robomimic Square を 60% から 72% に向上。

- **contraction theory** を非線形力学から導入し、学習された接線方向輸送と規定の法線方向収縮を組み合わせる。 - 既知多様体には解析的 projector を使用。 - 未知のデータ幾何には PCA で推定した局所 affine proxy を使用。 - 両ケースで contraction theory を実装し、多様体不変性と横断収束を保証。 - 適合する確率経路の族を導出し、訓練損失を学習可能な接線項と法線残差に分解。

- **Ellipse experiment**: 平均終端 off-manifold error が order $10^{-6}$ を達成。 - **Push-T robotic experiments**: 成功率が 74% から 82% に向上。 - **Robomimic Square task**: 成功率が 60% から 72% に増加し、rotation-manifold deviation が order $10^{-2}$ から $10^{-7}$ に減少。 - MSFM の終端幾何誤差は選択した数値許容差によって制御される。 - これらの結果はより強い幾何遵守と高いタスク性能を示す。

- 結果は、規定の法線方向収縮が学習された生成的輸送の補完として有効であることを支持する。 - 幾何遵守の向上とタスク性能の向上が観察された。 - 終端幾何誤差は数値許容差で制御可能。 - 要旨からは、限界や失敗ケース、計算コスト、スケーラビリティに関する議論は不明。

- 要旨で参照/比較されている研究: geometric FM variants, contraction theory, principal component analysis (PCA), Push-T, Robomimic Square。 - 関連手法: flow matching (FM), manifold-stable flow matching (MSFM)。 - 同分野の定番: diffusion models, score-based generative models, normalizing flows。