초록
플로우 매칭 모델은 효율적인 샘플링과 유연한 확률 경로 모델링을 가능하게 하여 다양한 응용 분야에서 강력한 프레임워크를 제공한다. 이러한 모델은 학습된 생성 경로에서 낮은 곡률을 가지는 플로우를 특징으로 하며, 이로 인해 각 샘플링 단계에서의 절단 오차가 감소한다. 곡률을 추가로 줄이기 위해 본 연구에서는 블록 매칭(block matching)을 제안한다. 이 새로운 접근법은 레이블 정보를 활용하여 데이터 분포를 블록으로 분할하고, 동일한 레이블 정보를 사용해 파라미터화된 사전 분포와 매칭함으로써 더 직선에 가까운 플로우를 학습한다. 우리는 사전 분포의 분산이 플로우 매칭 모델에서 전방 경로의 곡률 상한을 조절할 수 있음을 입증한다. 이러한 분산을 유연한 정규화 전략으로 조절함으로써, 생성 샘플의 다양성을 유지하면서 수치적 해법 오차를 최소화하는 데 효과적으로 균형을 이룰 수 있으며, 최적의 생성 성능을 달성할 수 있다. 실험 결과는 동일한 파라미터 규모를 가진 기존 모델들과 경쟁 가능한 성능을 보였다. 코드는 \url{https://github.com/wpp13749/block_flow}에서 제공된다.