研究人员开发了一种名为缺失数据流匹配（Missing-Data Flow Matching）的新方法，以应对使用不完整数据集训练生成模型所面临的挑战。该方法将缺失的数据点视为潜在变量，并对可能值的损失进行平均，证明了这种修正的精确性。另一篇论文探讨了流匹配不确定性的几何性质，提出了一种称为去噪加速（$\mathrm{accel}$）的免费代理，它通过测量轨迹弯曲来识别不可信的操作，而无需额外的训练或计算。 AI
影响 为处理不完整数据和估计流匹配模型中的不确定性引入了新技术，有可能提高其可靠性和适用性。
排序理由 两篇研究论文介绍了生成模型中流匹配的新颖方法。
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:2607.28698v1 Announce Type: new Abstract: Flow matching assumes fully observed training data, which many real-world applications rarely provide. We propose Missing-Data Flow Matching, which treats the missing coordinates of training samples as latent variables and averages …
Flow matching (FM) has become a popular action head paradigm for modern embodied models. However, as a conditional generative model, it does not explicitly expose its inherent uncertainty, producing faulty action chunks even when it misinterprets the scene or encounters out-of-di…