arXiv · 23.07.2026 ·Исследования и наука

Expanding Generative Flows: новый метод генерации с переменной размерностью

Исследователи представили Expanding Generative Flows (EFlows) — новый подход к генеративным моделям на основе потоков. В отличие от традиционных методов, ограниченных фиксированной размерностью данных или длиной последовательности, EFlows позволяют моделировать распределения с динамически увеличивающейся размерностью. Это открывает возможности для более гибкой и масштабируемой генерации в непрерывных и дискретных пространствах состояний.

Существующие flow-based модели часто сталкиваются с жесткими ограничениями архитектуры, требующими предопределенных параметров пространства. EFlows решают эту проблему через внедрение расширяющегося интерполянта, который связывает распределения разной размерности. Такой механизм позволяет системе постепенно наращивать сложность генерируемых данных, сохраняя при этом высокую скорость и управляемость процесса, характерные для классических потоковых моделей.

Разработка предлагает математический аппарат для построения траекторий между пространствами различной размерности. Это делает метод перспективным для задач, где требуется генерация объектов с переменной структурой, таких как сложные молекулярные графы или динамические последовательности, длина которых заранее неизвестна. Метод расширяет границы применимости генеративных потоков за пределы статических данных.

Ключевые факты

EFlows преодолевают ограничение фиксированной размерности, присущее классическим flow-based моделям.
Метод использует расширяющийся интерполянт для построения потоков между распределениями разной размерности.
Подход применим как к непрерывным, так и к дискретным пространствам состояний.
Технология обеспечивает масштабируемость генерации для данных с переменной длиной или структурой.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука ShellFlow: генеративные модели в физике высоких энергий Исследователи представили ShellFlow — модель на базе трансформеров, использующую риманово условное сопоставление потоков (Riemannian flow matching) для моделирования данных Большого адронного коллайдера. Система способна охватить структуру Стандартной модели в диапазоне пяти порядков инвариантной массы, от суб-ГэВ до ТэВ, что превосходит возможности существующих методов генерации данных методом Монте-Карло. arXiv · Машинное обучение Новый метод обучения моделей с использованием потоковых карт для онлайн-поиска Исследователи представили метод Sequentially-Controlled Interactive Multi-Particle Flow-Maps (SCIM-Flow), предназначенный для оптимизации моделей в условиях неизвестных предпочтений. В отличие от стандартных подходов, которые ограничены локальным поиском, новый алгоритм использует динамические потоковые карты частиц для эффективного исследования пространства распределений, что позволяет модели адаптироваться к обратной связи в режиме реального времени и находить области с высокой полезностью. arXiv · Машинное обучение LatentFlow: универсальный фреймворк для кондиционирования стохастических процессов Исследователи представили LatentFlow — универсальный метод для кондиционирования стохастических процессов, который обходится без нейросетевых аппроксимаций и специализированных архитектур. Фреймворк позволяет эффективно работать с нелинейными наблюдениями, негауссовскими правдоподобиями и глобальными ограничениями, которые ранее требовали создания уникальных моделей под каждую конкретную задачу, упрощая процесс моделирования сложных динамических систем и временных рядов. arXiv · Машинное обучение Новый метод Ensemble Controlled-Flow Filtering для ассимиляции данных Исследователи представили метод Ensemble Controlled-Flow Filtering (ECFF) для решения задач ассимиляции данных в сложных динамических системах. Подход позволяет эффективно оценивать состояние системы, даже когда механизмы наблюдений являются негладкими, неявными или доступны исключительно через симуляцию. Метод устраняет необходимость в явных структурах остатков или градиентах функции правдоподобия, расширяя возможности прогнозирования в условиях неопределенности. arXiv · Машинное обучение MeanFlowNFT: ускорение обучения диффузионных моделей через Reinforcement Learning Исследователи представили метод MeanFlowNFT, объединяющий генераторы на основе среднего потока (MeanFlow) с обучением с подкреплением (RL) в прямом процессе. Подход позволяет эффективно настраивать диффузионные модели под конкретные задачи и человеческие предпочтения, сохраняя высокую скорость генерации за счет прогнозирования средних скоростей на временных интервалах, что значительно сокращает количество необходимых шагов для получения качественного результата. arXiv · Машинное обучение FlowPipe: автоматизация пайплайнов подготовки данных с помощью GFlowNets и LLM Исследователи представили FlowPipe — новый метод автоматического построения пайплайнов подготовки данных для машинного обучения. Система объединяет генеративные потоковые сети (GFlowNets) с возможностями LLM для навигации в сложном комбинаторном пространстве операторов очистки и трансформации. Подход позволяет эффективно находить оптимальные последовательности преобразований, минимизируя затраты на дорогостоящую оценку качества данных на каждом этапе обучения модели. arXiv · Машинное обучение Новый метод борьбы с ошибками накопления в генеративных моделях Flow Matching Исследователи представили метод коррекции ошибки экспозиции (exposure bias) в моделях Flow Matching, использующий внутренние динамические сигналы самой модели. Вместо применения внешних эвристик или статических ограничений, предложенный подход анализирует частотные и направленные характеристики отклонений в процессе генерации, что позволяет модели самостоятельно корректировать траектории обучения и повышать качество синтеза данных. Hacker News · Инфраструктура для агентов Flow: новый язык для оптимизации пайплайнов данных и сокращения токенов LLM Разработчики представили Flow — специализированный язык для построения пайплайнов обработки данных, ориентированный на минимизацию затрат при работе с большими языковыми моделями. Инструмент позволяет оптимизировать передачу контекста, что обеспечивает снижение потребления токенов в среднем на 33% без потери качества обработки данных, что критически важно для масштабируемых агентных систем и сложных RAG-архитектур. arXiv · Исследования и наука Новый метод Reflow с выравниванием маргинальных распределений ускоряет генерацию моделей Исследователи представили метод Reflow с выравниванием маргинальных распределений (Marginal Distribution Alignment), направленный на ускорение генерации в диффузионных моделях. Новый подход решает проблему неточности дискретизации обыкновенных дифференциальных уравнений (ОДУ), позволяя сократить количество шагов выборки при сохранении высокого качества генерации, что критически важно для эффективного инференса современных генеративных систем. Hacker News · Исследования и наука InfiniteDiffusion: новый метод бесконечной генерации изображений Исследователи представили InfiniteDiffusion — архитектурный подход, позволяющий создавать визуальный контент бесконечного размера с помощью диффузионных моделей. Метод решает проблему ограничений фиксированного разрешения, обеспечивая плавную генерацию новых областей изображения без потери связности и артефактов на стыках, что открывает новые возможности для создания панорамных сцен и детализированных текстур в реальном времени.

← Все материалы