已验证75% 置信事实精确时间
流匹配的思路是学习一个时间依赖的向量场v_t(x)，使由该向量场驱动的常微分方程能把简单参考分布传输到目标数据分布
3
来源数
75%
置信度
长期有效
时效性
2026/10/5
首次发现
来源
涉及实体
相关事实
待验证流匹配模型通过学习从噪声分布到数据分布的连续概率流（ODE轨迹）生成图像，通常训练更稳定、推理步数更少72% 相似已验证Flow matching是一种生成模型训练方法，直接学习从噪声分布到数据分布的确定性ODE路径，定义线性插值路径xt=(1-t)x₀+tx₁，神经网络学习预测该路径上每一点的速度向量72% 相似待验证受控混合策略的核心原则是增强分布应匹配真实测试分布，这是域匹配理论的应用71% 相似待验证在扩散模型中，得分函数被用来描述数据分布的对数梯度，并通过去噪得分匹配进行训练。70% 相似待验证Score Matching和Langevin Dynamics为扩散模型提供了等价的理论视角，模型本质上学习数据分布的得分函数，这一视角由宋飏（Yang Song）等人阐明70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/976001API
curl https://kongchang.com/api/v1/knowledge/claims/976001MCP
get_claim(id=976001)