要約
フローマッチングモデルは、効率的なサンプリングと柔軟な確率経路モデリングを可能にする強力な枠組みを提供し、さまざまな応用に適している。これらのモデルは、学習された生成軌道における曲率が低いフローを特徴としており、各サンプリングステップにおける切断誤差を低減する。さらに曲率を低減するために、本研究ではブロックマッチングを提案する。この新規アプローチは、ラベル情報を用いてデータ分布をブロックに分割し、同じラベル情報によってパラメータ化された事前分布と対応付けることで、より直線的なフローを学習する。我々は、事前分布の分散がフローマッチングモデルにおける前向き軌道の曲率上限を制御できることを示した。この分散を柔軟に調整する正則化戦略を設計することで、生成サンプルの多様性を維持しつつ数値ソルバーの誤差を最小化するというトレードオフを効果的にバランスさせ、最適な生成性能を達成した。実験結果から、同程度のパラメータ規模を持つ他のモデルと比較しても競争力のある性能が得られることを確認した。コードは以下のURLにて公開されている：\url{https://github.com/wpp13749/block_flow}。