연구진은 플로우 매칭 모델의 생성 결과가 제약 조건을 만족하도록 하면서도 사전학습된 데이터 분포에서 크게 벗어나지 않게 하는 학습 없는(training-free) 제약 샘플링 기법 'MintFlow'를 제안했다. 제약 조건 적용을 사전학습된 플로우 궤적에 대한 '최소 개입'으로 formalize해, 중간 플로우 상태를 최소한으로 교란시켜 이후 사전학습된 플로우장을 따라 전개될 때 목표 제약을 만족하도록 한다. 수반(adjoint) 공식화를 통해 이 교란에 대한 닫힌 형태의 해를 유도해 값비싼 반복 최적화를 없앴고, 필요한 교란 크기와 남은 플로우에 의한 증폭 사이의 균형을 맞추도록 개입 시점도 적응적으로 선택한다. 생성 비전과 물리 시스템 모델링의 여러 과제에서 MintFlow는 기존 최신 제약 기법보다 사전학습 분포를 훨씬 잘 보존하면서도 경쟁력 있는 제약 만족도를 달성했다.
- •기존 제약 샘플뛬는 제약을 강제할수록 사전학습 분포에서 샘플이 크게 변로할땭달린다는 트렴이도편 추론 팍거을 지상에뛬교
- •제약 적용을 사전학습 플로우 교도에 대한 '최소 개입'으로 재정의한 학습 없는 프랈점워크 MintFlow
- •수반 연산으로 닫a캨뛬교 형태 솔로몬교 구쳌압 해를 게살해 반복 최적화 똑 추론 최두 놠솠
- •적응적 개입 시점 선택으로 교도 교쮐교롌, 기존 최신 기법보다 사전학습 분포 보존 우수
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
MintFlow: Minimal Trajectory Intervention for Constrained Flow Matching
- 1.MintFlow는 제약 조건을 만족시키기 위해 플로우 상태를 '최소한만' 건드리는 학습 없는 샘플링 기법
- 2.애드조인트 공식으로 필요한 교란을 닫힌 형태로 바로 계산해 반복 최적화를 없앰
- 3.교란의 크기와 남은 플로우가 그것을 증폭시키는 정도를 함께 고려해 개입 시점을 적응적으로 선택
- 4.생성 비전과 물리 시스템 모델링 과제에서 기존 제약 샘플링 기법보다 사전학습 분포를 훨씬 덜 훼손
왜 중요한가?
제약을 만족시키려다 생성 모델이 원래 학습한 분포에서 크게 벗어나 버리는 흔한 트레이드오프를 수학적으로 최소화해, 측정값이나 물리 법칙 같은 제약이 중요한 응용에 실용적인 해법을 제공한다.
언급 프로젝트
본문 미리보기
arXiv:2610.02260v1 Announce Type: new Abstract: Flow matching models excel at generative modeling, and many downstream applications require their samples to satisfy prescribed constraints, such as observed measurements and physical laws. However, existing constrained samplers often face a trade-off: \textit{enforcing constraints can substantially displace samples from the pretrained data distribution}. To address this trade-off, we introduce \textbf{MintFlow}, a training-free constrained sampli
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:40AI 초안
