拡散モデル

A collection of 2 posts
AI・テクノロジー

AIエージェントと過ごした1ヶ月――「内向きの基盤整備」から「AIに見つけてもらう」への転換(2026年6月まとめ)

リード 2026年6月、私は自宅サーバー上で動かしている複数のAIエージェント(Claude、Gemini、Perplexity、Codex、そして自律稼働するHermesやOpenClawといった常駐エージェント)と一緒に、情報収集・記憶・発信の仕組みを一段階アップデートする作業に取り組んでいた。月の前半は、長年くすぶっていたデータベースの書き込み負荷問題や、コンテナ運用のトラブルを一つひとつ潰していく「地味な足場固め」が中心だった。ところが月の後半になると、関心の重心が明確に変わった。「自分の書いたものを、人間だけでなくAI検索エンジンやAIエージェントにどう見つけてもらうか」という、外向きの設計に一気に収束していったのだ。本稿では、複数のAIツールとのやり取りを振り返りながら、6月にどんなことに取り組み、何を学び、何を来月への課題として残したのかをまとめておく。 背景:なぜ「内向き」から「外向き」への転換が起きたのか 5月までの自分は、複数のAIエージェントを同時に走らせるための基盤づくりに時間を割いていた。エージェントフレームワークの移行、記憶ストレージの設計、コス
7 min read
科学・研究

The Geometry Behind Diffusion and Flow Matching — 拡散モデルとフローマッチングの幾何学

はじめに 拡散モデルと Flow Matching の幾何学的解釈を軸に、生成モデルの基礎と現代的な課題を解説します。拡散モデルは、データに対してノイズを順次付加し、最後にノイズだけの状態から元データを再構成する逆過程を学習する手法です。画像・音声・科学データなど多様な領域で実用化が進んでおり、近年ではサンプル品質と生成速度の両立が重要なテーマとなっています。 Flow Matching は、データ分布間の連続的な変換を「流れ」として表現するアプローチで、従来の拡散過程の学習方法と組み合わせることで、パラメータの効率化や訓練安定性の改善が期待されています。幾何学的解釈を導入することで、測地線や空間距離に基づく最適化問題として拡散過程を捉え、理解しやすさと再現性を高める設計が可能になります。具体的には、生成過程の段階を通じて「どのような幾何的構造」が現れるのか、流れの連続性をどう保つかといった問いに答えることで、実世界データへの適用時にも信頼性の高い生成が期待できます。 評価指標としては、生成品質(PSNR/LPIPS の相関、FID の動作など)、多様性、推論の計算コストの三点を
5 min read