論文の概要: Order-Optimal Sample Complexity of Rectified Flows

• arxiv url: http://arxiv.org/abs/2601.20250v1
• Date: Wed, 28 Jan 2026 04:55:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.772298
• Title: Order-Optimal Sample Complexity of Rectified Flows
• Title（参考訳）: 整流流れの秩序-最適サンプル複素性
• Authors: Hari Krishna Sahoo, Mudit Gaur, Vaneet Aggarwal,
• Abstract要約: 本研究では, ベース分布からデータ分布への輸送経路を線形に制約する整流流モデルについて検討する。 この構造的制限はサンプリングを大幅に加速し、しばしば単一のステップで高品質な生成を可能にする。
• 参考スコア（独自算出の注目度）: 43.61958734990224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, flow-based generative models have shown superior efficiency compared to diffusion models. In this paper, we study rectified flow models, which constrain transport trajectories to be linear from the base distribution to the data distribution. This structural restriction greatly accelerates sampling, often enabling high-quality generation with a single Euler step. Under standard assumptions on the neural network classes used to parameterize the velocity field and data distribution, we prove that rectified flows achieve sample complexity $\tilde{O}(\varepsilon^{-2})$. This improves on the best known $O(\varepsilon^{-4})$ bounds for flow matching model and matches the optimal rate for mean estimation. Our analysis exploits the particular structure of rectified flows: because the model is trained with a squared loss along linear paths, the associated hypothesis class admits a sharply controlled localized Rademacher complexity. This yields the improved, order-optimal sample complexity and provides a theoretical explanation for the strong empirical performance of rectified flow models.
• Abstract（参考訳）: 近年,フローベース生成モデルの方が拡散モデルよりも優れた効率性を示している。 本稿では,ベース分布からデータ分布への輸送経路を線形に制約する整流流モデルについて検討する。 この構造制限はサンプリングを大幅に加速し、1つのオイラーステップで高品質な生成を可能にする。 速度場とデータ分布のパラメータ化に使用されるニューラルネットワーククラスに関する標準的な仮定の下で、補正された流れがサンプルの複雑さを$\tilde{O}(\varepsilon^{-2})$とすることを示す。 これにより、フローマッチングモデルにおける最もよく知られた$O(\varepsilon^{-4})$境界が改善され、平均推定の最適なレートと一致する。 モデルが線形経路に沿った正方形損失で訓練されているため、関連する仮説クラスは、急激に制御された局所化Rademacher複雑性を認めている。 これにより、改良されたオーダー最適サンプル複雑性が得られ、整流モデルの強い経験的性能に関する理論的説明を提供する。

関連論文リスト

• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Elucidating Flow Matching ODE Dynamics with Respect to Data Geometries and Denoisers [10.947094609205765]
  フローマッチング(FM)モデルは、ODEサンプルモデルに基づく拡散モデルを一般的なフレームワークに拡張する。 FMモデルの厳密な理論的解析は、サンプルの品質、安定性、より広範な適用性に不可欠である。 本稿では,サンプル軌道の包括的解析により,FMモデルの理論を推し進める。
  論文  参考訳（メタデータ） (2024-12-25T01:17:15Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。