Key points are not available for this paper at this time.
نقدم نموذجًا جديدًا للنمذجة التوليدية يعتمد على التدفقات الطبيعية المستمرة (CNFs)، مما يسمح لنا بتدريب CNFs على نطاق غير مسبوق. على وجه التحديد، نقدم مفهوم مطابقة التدفق (FM)، وهو نهج خالٍ من المحاكاة لتدريب CNFs يعتمد على تحليل مجالات المتجهات لطرق الاحتمالية الشرطية الثابتة. مطابقة التدفق متوافقة مع عائلة عامة من طرق الاحتمالية الغاوسية للتحويل بين العينات الضوضائية وبيانات العينات - والتي تشمل مسارات الانتشار الحالية كحالات محددة. من المثير للاهتمام، أننا نجد أن استخدام FM مع مسارات الانتشار ينتج عنه بديل أكثر متانة واستقرارًا لتدريب نماذج الانتشار. علاوة على ذلك، تفتح مطابقة التدفق الباب لتدريب CNFs باستخدام طرق احتمالية غير انتشارية. ومن الأمثلة ذات الأهمية الخاصة استخدام تقنيات النقل الأمثل (OT) لتحديد طرق الاحتمالية الشرطية. هذه الطرق أكثر كفاءة من طرق الانتشار، توفر تدريبًا وعينات أسرع، وتؤدي إلى تعميم أفضل. يؤدي تدريب CNFs باستخدام مطابقة التدفق على ImageNet إلى أداء أفضل باستمرار من طرق الانتشار البديلة من حيث الاحتمالية وجودة العينة، ويسمح بتوليد عينات سريعة وموثوقة باستخدام محللات ODE العددية الجاهزة.
درس ليبمان وآخرون (الخميس) هذا السؤال.