PulseAugur
中
实时 12:37:07

新的DEFAR框架解决了Flow Matching模型中的暴露偏差问题

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种名为DEFAR（DirEctional-Frequency Adaptive Rectification）的新型框架，旨在解决Flow Matching生成模型中的暴露偏差问题。该方法利用偏差本身在训练过程中模拟单步推理来指导其自身的纠正。DEFAR包含反漂移纠正（ADR）以将偏离的状态引导回目标，以及频率补偿（FC）以增强缺失的低频分量。在CIFAR-10和ImageNet等数据集上的实验证明了DEFAR的有效性和可扩展性。 AI

影响 通过解决流匹配技术中的一个基本问题，这项研究可能带来更强大、更准确的生成模型。

排序理由 该集群描述了一篇新研究论文，该论文发布在arXiv上，详细介绍了一种生成模型的新颖方法。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的DEFAR框架解决了Flow Matching模型中的暴露偏差问题

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Guanbo Huang, Jingjia Mao, Fanding Huang, Fengkai Liu, Xiangyang Luo, Yaoyuan Liang, Jiasheng Lu, Xiaoe Wang, Pei Liu, Ruiliu Fu, Ruqi Huang, Shao-Lun Huang ·

    Exposure Bias Can Alleviate Itself via Directional and Frequency Rectification in Flow Matching

    arXiv:2606.28226v1 Announce Type: cross Abstract: Flow Matching (FM) has achieved remarkable generative performance, yet it suffers from exposure bias due to discrepancies between training and inference. Existing mitigation strategies typically rely on static constraints or exter…

  2. arXiv cs.AI TIER_1 English(EN) · Shao-Lun Huang ·

    曝光偏差可通过方向性和频率校正自行缓解，用于流匹配

    Flow Matching (FM) has achieved remarkable generative performance, yet it suffers from exposure bias due to discrepancies between training and inference. Existing mitigation strategies typically rely on static constraints or external heuristics. In this work, we propose that expo…

相关实体

相关话题