KI und die schwierigen Probleme der Welt · Theoretische Informatik · arXiv · 2026-10-22
Verbessertes Training starker stochastischer Flussabbildungen
Originaltitel: Improved Training of Strong Stochastic Flow Maps
Stochastische Flussabbildungen versprechen Few-Step-Sampling stochastischer Differentialgleichungen, indem sie lernen, entlang der Lösungskurve direkt zwischen Zeitpunkten zu springen, doch ihr Training ist schwierig, weil die Brownsche Bahn ein unendlichdimensionales, nirgends differenzierbares Objekt ist, das ableitungsbasierte Verluste unerreichbar macht. Die Autoren repräsentieren die Brownsche Bahn durch eine Entwicklung in verschobenen Legendre-Polynomen und trainieren mit einer Zielfunktion im Stil von Wong-Zakai, um ableitungsbasierte Verluste zu ermöglichen, und schlagen ein Rezept vor, um große vortrainierte Flussmodelle zu leistungsstarken stochastischen Flussabbildungen zu verfeinern. Auf ImageNet ergibt dies eine ungefähr dreifache Verbesserung von FD-DINOv2 gegenüber SSFM bei vier NFE.