半離散カップリングを用いたフローマッチング
本文の状態
日本語全文を表示中
詳細モードで約1分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
Apple Machine Learning
研究者らが、ODEを積分してノイズからデータを生成するフローモデルの学習手法「フローマッチング」を、半離散カップリングを用いて改善する方法を提案した。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
時間依存の速度場としてパラメータ化されたフローモデルは、常微分方程式（ODE）を積分することでノイズからデータを生成できます。これらのモデルは通常、フローマッチングを用いて訓練されます。すなわち、ランダムに選ばれたノイズとターゲットの点のペア (x0, x1) をサンプリングし、x0 から x1 を結ぶ線分上で評価した際に、速度場が平均的に x1 - x0 と整合するように保証します。デフォルトではこれらのペアは独立してサンプリルされますが、n 個のノイズと n 個のターゲットを対応させることで、より慎重に選択することも可能です…
原文を表示
Flow models parameterized as time-dependent velocity fields can generate data from noise by integrating an ODE. These models are often trained using flow matching, i.e. by sampling random pairs of noise and target points (x0,x1)(\mathbf{x}_0, \mathbf{x}_1)(x0,x1) and ensuring that the velocity field is aligned, on average, with x1−x0\mathbf{x}_1 - \mathbf{x}_0x1−x0 when evaluated along a segment linking x0\mathbf{x}_0x0 to x1\mathbf{x}_1x1. While these pairs are sampled independently by default, they can also be selected more carefully by matching batches of nnn noise to nnn target…
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み