arXiv · cs.AI · Mudit Gaur, Prashant Trivedi, Shuchin Aeron, Amrit Singh Bedi, George K. Atia, Vaneet Aggarwal · 8 小时前模型评分35
流匹配的样本复杂度：无需精确经验风险最小化的理论分析
Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching
导读
一项新分析为流匹配（Flow Matching，一种用连续时间常微分方程做生成建模、训练目标为简单回归的方法）给出了不依赖精确经验风险最小化的学习保证，同时计入有限样本的统计误差和有限步随机梯度更新的优化误差。该结果在 N 个训练样本、T 次随机梯度更新后，把近似误差、统计误差、分布尾部误差与优化误差分开，且以高概率成立。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “We develop an empirical-risk-minimizer-free analysis for flow matching that explicitly accounts for both finite-sample statistical error and finite-time empirical optimization error.”
来源：arXiv · cs.AI · arxiv.org