研究人员开发了 TemporalSinkhorn，一种用于动态熵最优传输问题的新型并行时间执行方法，特别有利于 Flow Matching 等生成模型应用。该方法允许在不影响输出精度的情况下对未来候选及其修复进行批处理，并利用经过认证的安全前缀和打包更新来实现效率。在 A100 和 RTX 4060 GPU 上的基准测试表明，在某些配置下，时间执行比顺序方法快 1.15 倍至 1.47 倍，在 Flow Matching 小批量流上速度最高可达 3.632 倍。 AI
影响 这种新方法可以显著加快依赖最优传输的生成模型的训练速度，有可能降低计算成本和时间。
排序理由 该集群描述了在 arXiv 的学术论文中提出的一种新方法。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.24741v1 Announce Type: cross Abstract: Dynamic applications, including optimal-transport Flow Matching, repeatedly solve related entropic optimal transport problems, yet conventional distributed Sinkhorn processes frames sequentially and synchronizes after every iterat…
Dynamic applications, including optimal-transport Flow Matching, repeatedly solve related entropic optimal transport problems, yet conventional distributed Sinkhorn processes frames sequentially and synchronizes after every iteration. We present TemporalSinkhorn, a parallel-in-ti…