꼭꼭 씹어먹고 싶은 만성소화불량

2026 05 31https://arxiv.org/pdf/2606.01086 Flow and diffusion models은 많은 모달리티에서 고품질 샘플을 생성하지만, 기본 미분 방정식의 수치적 적분으로 인해 추론 중에 많은 네트워크 평가가 필요합니다. 플로우 맵은 미분 방정식의 해 맵을 직접 학습하여 몇 단계 샘플링을 가능하게 함으로써 이 문제를 완화합니다. 그러나 현재의 방법들은 ODE의 해 맵을 근사하는 데 제한되어 있습니다. 이러한 방법들은 SDE의 전이 커널을 학습하는 데 사용될 수 있으며, 이를 통해 해 경로(강한 수렴)가 아닌 과정의 한계 분포(약한 수렴)를 복원하는 해 맵을 얻을 수 있습니다. 우리는 가산 잡음 SDE의 강한 해 맵을 학습하기 위한 새로운 프레임워크로서 강한 확률 흐름..

2026.05.16https://arxiv.org/pdf/2602.05993 Flow and diffusion models는 고품질 샘플을 생산하지만, 이를 사용자 선호도나 훈련 후 제약 조건에 맞게 조정하는 것은 여전히 비용이 많이 들고 취약하며, 이는 일반적으로 보상 정렬이라고 불리는 도전 과제입니다.우리는 효율적인 보상 정렬이 사후 고려가 아닌 생성 모델 자체의 속성이어야 한다고 주장하며, 적응성을 위해 모델을 재설계합니다. 우리는 추론 시점에 임의의 보상에 효율적이고 정확하게 정렬할 수 있는 확률적 흐름 지도 모델인 Diamond Maps를 제안합니다. Diamond Maps는 최적의 보상 정렬에 필요한 확률성을 유지하면서 많은 시뮬레이션 단계를 흐름 지도와 같은 단일 단계 샘플러로 분할합니다.이..

MCMC = Markov Chain + Monte Carlo2026.03.07 - [AI] - 슈뢰딩거 브릿지를 이해하기 위한 버둥거림(4) 여기 나와있던 것처럼 MCMC를 좀 더 자세히 살펴보고 마르코프 체인, 몬테카를로, 마르코프 프로세스 등을 알아보자. 그리고 그것들이 GLASS Flow에 나오는 transition kernel과 어떤 관계가 있는지 알아볼 것이다. 몬테 카를로 방법은 수학적으로 계산하기 복잡하거나 불가능한 값을, Random Sampling을 통해 통계적으로 추정하는 기법이다. 기댓값 추정 : 어떤 복잡한 적분값이나 확률분포의 기댓값 $E[F(X)]$를 구할 때, 직접 적분하는 대신 해당 분포에서 많은 수의 Random Sampling을 통해 그 값의 평균으로 정답에 근사한다...