CAR-Flow: Condition-Aware Reparameterization Aligns Source and Target for Better Flow Matching
Репараметризация для Сопоставления Потоков Документ представляет собой научную статью о CAR-Flow (Condition-Aware Reparameterization for Flow Matching), новом методе для улучшения условного генеративного моделирования, основанного на потоковых моделях. Основная идея заключается в использовании легковесных, обучаемых сдвигов (shifts) для репараметризации как исходного, так и целевого распределений данных, зависящих от условия (например, метки класса). Это позволяет сократить траекторию вероятностного потока, которую должна изучить основная нейронная сеть, облегчая ей задачу одновременного переноса массы вероятности и кодирования семантической информации. Авторы демонстрируют, что CAR-Flow ускоряет обучение и улучшает качество сгенерированных изображений на высокоразмерных наборах данных, таких как ImageNet, при этом добавляя незначительное количество параметров. В статье также анализируются режимы коллапса (mode collapse), которые возникают при использовании неограниченной репараметризации. #apple документ - https://arxiv.org/pdf/2509.19300 подписаться - https://t.me/arxivpaperu отправить донаты: USDT: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 BTC: bc1q8972egrt38f5ye5klv3yye0996k2jjsz2zthpr ETH: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 SOL: DXnz1nd6oVm7evDJk25Z2wFSstEH8mcA1dzWDCVjUj9e создано с помощью NotebookLM
Репараметризация для Сопоставления Потоков Документ представляет собой научную статью о CAR-Flow (Condition-Aware Reparameterization for Flow Matching), новом методе для улучшения условного генеративного моделирования, основанного на потоковых моделях. Основная идея заключается в использовании легковесных, обучаемых сдвигов (shifts) для репараметризации как исходного, так и целевого распределений данных, зависящих от условия (например, метки класса). Это позволяет сократить траекторию вероятностного потока, которую должна изучить основная нейронная сеть, облегчая ей задачу одновременного переноса массы вероятности и кодирования семантической информации. Авторы демонстрируют, что CAR-Flow ускоряет обучение и улучшает качество сгенерированных изображений на высокоразмерных наборах данных, таких как ImageNet, при этом добавляя незначительное количество параметров. В статье также анализируются режимы коллапса (mode collapse), которые возникают при использовании неограниченной репараметризации. #apple документ - https://arxiv.org/pdf/2509.19300 подписаться - https://t.me/arxivpaperu отправить донаты: USDT: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 BTC: bc1q8972egrt38f5ye5klv3yye0996k2jjsz2zthpr ETH: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 SOL: DXnz1nd6oVm7evDJk25Z2wFSstEH8mcA1dzWDCVjUj9e создано с помощью NotebookLM