arXiv cs.LGは10月1日(現地時間)、ザフラ・デフガニ (Zahra Dehghani) 氏らが、フローマッチングモデルにおけるサンプリング予算をトレーニングなしで推定する新たな手法「FLOWBUDGET」を発表したと報じた。この手法は、連続フローベースジェネレーターの推論コストを最適化し、従来の経験的な評価に代わるアプローチを提供する。先行研究や高コストなFID (Fréchet Inception Distance) 対NFEs (関数評価数) スイープに依存することなく、NFEsの必要性を効率的に判断可能とする。
フローマッチングモデルのような連続フローベースの生成モデルは、数値ODE (常微分方程式) またはSDE (確率微分方程式) 積分を用いたサンプリングを必要とし、その推論コストはNFEsに依存する。従来のサンプリング予算の決定方法は、先行研究からの継承や、複数の予算でサンプル生成と評価を伴うFID対NFEsのスイープといった、高コストな経験的評価に頼っていた。
こうした背景に対し、FLOWBUDGETは、固定された事前学習済みモデルとソルバーにおいて、十分な数値分解能を決定するという補完的な課題に取り組む。この手法は、学習されたダイナミクスをシミュレーションなしの補間プローブを用いて分析する。主要な1ステップ離散化誤差を動きによって正規化し、その係数を補間プローブから推定することで、数値許容誤差をソルバーの次数を利用してステップ予算にマッピングするプロセスを確立している。
デフガニ氏らは、フローマッチングサンプリングで使用される数値ソルバー、具体的にはODEサンプリング用のオイラー (Euler) およびヒューン (Heun) 法、そしてSDEサンプリング用の加法ノイズオイラー・マリアマ (Euler—Maruyama) 法に対する推定器を導出した。さらに、ODE係数と終端積分誤差との関連性についても言及している。SiT、FlowDCN、Rectified Flowモデルを用いた実験では、FLOWBUDGETが、複数の予算でサンプルを生成したりFID対NFEsスイープを実行したりすることなく、NFEs予算を推定できるかを検証した。
参考: arXiv cs.LG — 2026年10月16日 13:00 (JST)
原文ハイライト"Training-Free Sampling-Budget Estimation for Flow Matching Models"