理论证明：Rectified Flow 样本复杂度达 \tilde{O}(ε^{-2})

Hari Krishna Sahoo、Mudit Gaur 和 Vaneet Aggarwal 在论文摘要中证明，Rectified Flows 在速度场网络类和数据分布的标准假设下，样本复杂度达到 \tilde{O}(ε^{-2})，为阶次最优。 关键机制是该模型把从基分布到数据分布的传输轨迹约束为线性路径，并沿线性路径用平方损失训练。作者称这一结果改进了此前流匹配模型已知的最好界 O(ε^{-4})，并匹配均方估计的最优速率。该结论基于论文摘要，条件限定于所设神经网络类与分布假设。

AI 根据报道生成 · 19 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。