Flow 모델은 데이터를 한 모드(예: 소음)에서 다른 모드(예: 이미지)로 점진적으로 변환하는데 사용된다. 이러한 모델은 시간에 따라 변하는 속도장에 의해 매개변수화되며, 소스와 타겟 포인트를 연결하는 세그먼트를 맞추기 위해 훈련된다. 소스와 타겟 포인트 간의 매칭이 주어지면, Flow 모델 훈련은 지도 회귀 문제로 단순화된다. 그러나 매칭이 없는 경우(예: 소음에서 데이터 생성 시), Flow 모델의 훈련은 훨씬 어려워진다. 많은 경우, 소스와 타겟 포인트를 독립적으로 선택하는 방법이 널리 사용된다. 그러나 이는 종종 느린 속도장을 유발할 수 있다. 이 논문은 이러한 문제를 해결하기 위해 큰 Sinkhorn 결합을 사용하는 방법을 제안한다.

<Apple 뉴스 본문 전체읽기>