스위치 흐름 일치: 스위칭 ODE를 통한 특이점 제거

연속 시간 생성 모델인 흐름 일치(Flow Matching, FM)는 신경 미분 방정식(ODE)의 시뮬레이션 없는 학습을 통해 한 분포에서 다른 분포로 수송하기 위한 확률 경로를 구성합니다. 그러나 추론 중에 학습된 모델은 흐름을 정확하게 통합하기 위해 여러 신경망 평가를 요구하는 경우가 많아 샘플링 속도가 느려집니다. 우리는 이 문제의 원인을 출발 및/또는 목표 분포의 고유한(조인트) 이질성 즉, 특이점 문제에 기인한다고 판단하며, 이는 신경 ODE를 효과적으로 훈련하는 데 어려움을 줍니다. 이 문제를 해결하기 위해, 우리는 스위칭 ODE를 통해 특이점을 제거하는 보다 일반적인 프레임워크인 스위치 FM(Switched FM, SFM)을 제안합니다. 중요하게도, 우리는 FM이 ODE의 초기값 문제의 존재성과 고유성으로 인해 두 개의 단순 분포 사이를 수송할 수 없음을 이론적으로 보여주며, 이러한 제한은 SFM에 의해 잘 해결될 수 있습니다. 추가적으로, 우리의 프레임워크는 미니배치 최적수송과 같은 기존의 고급 기술과 원활하게 통합되어 흐름의 직선성을 향상시켜, 비용을 줄이고 더 효율적인 샘플링 프로세스를 가능하게 합니다. 우리는 여러 수치 예제를 통해 새롭게 제안된 SFM의 효과성을 입증합니다.