Yeniden normalizasyon grubu akış eşleştirmesi yerel üretken modellemeyi ölçeklendiriyorRenormalization Group Flow Matching Scales Local Generative ModelingHabere gitRead the article Türkçe (otomatik çeviri) English (automatic translation) |
ÖzetSummaryMasuki ve Ashida, akış eşleştirmede yeniden normalizasyon grubunu kesin bir olasılık yolu olarak kullanan üretken bir çerçeve olan RGFM'yi öneriyor. Bu yaklaşım, uzun menzilli korelasyonları kanıtlanabilir biçimde koruyarak, O(ln L) yama boyutunda yerel üretim ve neredeyse doğrusal ölçeklenmeyi mümkün kılıyor. 1B dağılımlar ve FFHQ görüntüleri üzerindeki sayısal sonuçlar, standart yerel akış eşleştirmeye kıyasla belirgin biçimde daha iyi tutarlılık gösteriyor.Masuki and Ashida propose RGFM, a generative framework that employs the renormalization group as an exact probability path in flow matching. This approach enables local generation at O(ln L) patch sizes and near-linear scaling while provably preserving long-range correlations. Numerical results on 1B distributions and FFHQ images demonstrate significantly better consistency compared to standard local flow matching. |
Neden ÖnemliWhy it mattersÜretken modelleme, pahalı küresel modeller ile uzun menzilli yapıyı kaybeden ucuz yerel modeller arasında sıkışmış durumda. RGFM, bu ödünleşimden fizik temelli ve teorik olarak sağlam bir çıkış sunuyor. O(ln L) yerellik garantisi geniş ölçüde geçerli olursa, yüksek sadakatli üretim, küresel tutarlılıktan ödün vermeden mütevazı donanımlarda uygulanabilir hale gelebilir. Çalışma ayrıca, istatistiksel mekanikteki RG teorisi ile modern üretken makine öğrenmesi arasında nadir görülen katı bir köprü kuruyor.Generative modeling has been stuck between expensive global models and cheap local models that lose long-range structure. RGFM offers a physics-based, theoretically sound escape from this trade-off. If the O(ln L) locality guarantee holds broadly, high-fidelity generation could become feasible on modest hardware without sacrificing global consistency. The work also establishes a rare, rigorous bridge between RG theory in statistical mechanics and modern generative machine learning. |
Öne ÇıkanlarHighlights
|
EleştiriCritical takeDeneysel doğrulama zayıf: yalnızca 1B oyuncak dağılımları ve mütevazı çözünürlüklerde FFHQ kullanılmış. En iyi küresel difüzyon veya büyük ölçekli akış eşleştirme bazlarıyla karşılaştırma yapılmadığı için, küresel bir modeli basitçe ölçeklendirmeye kıyasla pratik avantaj nicel olarak belirlenemiyor. Tüm yapı, hedef dağılım için iyi davranan kesin bir RG akışının varlığına dayanıyor. Bu varsayım, keyfi, yüksek boyutlu veya ayrık veriler için kesinlikle garanti edilmiyor ve makale bu ön koşulu yeterince test etmiyor.Experimental validation is weak: only 1B toy distributions and FFHQ at modest resolutions were used. Since no comparison was made against the best global diffusion or large-scale flow matching baselines, the practical advantage over simply scaling a global model cannot be quantitatively determined. The entire structure depends on the existence of an exact RG flow that behaves well for the target distribution. This assumption is not guaranteed for arbitrary, high-dimensional, or discrete data, and the paper does not adequately test this prerequisite. |