다이아몬드 맵: 생성 모델 보상 정렬의 가치 함수 추정을 여러 표본으로 개선한 방법
YC ML 세션에서 소개된 다이아몬드 맵은 생성 과정의 중간 상태에서 최종 결과를 여러 번 표집해 가치 함수를 더 정확히 추정한다. 파인튜닝 방식과 학습 없이 추론 시점에만 붙이는 방식 두 가지를 함께 제시했다.
핵심 내용 읽기 →
AI TOPIC
플로우 매칭 최신 뉴스와 핵심 해설
플로우 매칭 관련 핵심 뉴스와 활용 인사이트 14편을 최신순으로 모았습니다.
플로우 매칭으로 확률 입자계 모사: 비마르코프 요동까지 학습한 스탠퍼드 물리·AI 발표
로런스 버클리 연구소 연구진이 스탠퍼드 물리·AI 콘퍼런스에서, 거친 격자 확률 편미분방정식이 놓치는 비가우스·비마르코프 요동을 플로우 매칭으로 학습해 재현한 결과를 발표했다. 질량 보존과 반사 대칭성까지 모델 구조에 직접 심었다.
핵심 내용 읽기 →
민플로우(MeanFlow) 원스텝 생성 모델 원리: 플로우 매칭 반복 샘플링을 없앤 평균 속도
디퓨전과 플로우 매칭은 좋은 결과를 내지만 샘플 하나를 만드는 데 여러 번의 계산이 필요하다. 순간 속도 대신 두 시점 사이의 평균 속도를 배우는 민플로우가 어떻게 단 한 번의 신경망 호출로 샘플을 만들어내는지 정리했다.
핵심 내용 읽기 →
플로우 매칭·확산 모델 학습 목표 만들기 — MIT 6.S184 강의로 보는 확률 경로와 벡터장, 스코어 함수
MIT 6.S184 두 번째 강의는 확산·플로우 모델의 학습 목표를 직접 만들어 낸다. 정답 라벨이 없는 상황에서 조건부 확률 경로와 벡터장, 스코어 함수라는 여섯 개 대상을 세우고 이를 주변화해 노이즈에서 데이터로 가는 길을 구성한다.
핵심 내용 읽기 →
플로우 매칭·스코어 매칭 학습 원리 — MIT 6.S184 강의로 보는 확산 모델 훈련 알고리즘
MIT 6.S184 3강은 확산·플로우 모델을 실제로 어떻게 훈련하는지 설명한다. 계산 불가능한 손실을 조건부 손실로 바꾸는 원리와, 노이즈와 데이터의 차이를 맞히는 단순한 학습 알고리즘을 정리했다.
핵심 내용 읽기 →
Classifier-free guidance 원리 정리, MIT 플로우 매칭 강의로 본 이미지 생성 AI
MIT 6.S184 강의가 프롬프트를 따르는 조건부 생성과 classifier-free guidance의 유도 과정, U-Net과 디퓨전 트랜스포머, 잠재공간 학습까지 이미지 생성 모델의 뼈대를 정리한다.
핵심 내용 읽기 →
스코어 함수와 스코어 매칭 — MIT 6.S184 강의로 본 확산 모델의 핵심 원리
MIT 6.S184 강의가 플로우 매칭과 확산 모델을 잇는 스코어 함수의 개념과 디노이징 스코어 매칭 학습법, 그리고 모델을 다시 학습하지 않고도 노이즈 주입량을 골라 확률미분방정식으로 샘플링하는 방법을 차근차근 정리했다.
핵심 내용 읽기 →
이산 확산 모델·디퓨전 언어모델 원리 정리: MIT 6.S184 마지막 강의로 보는 이산 플로우 매칭
글자를 왼쪽부터 하나씩 쓰지 않는 디퓨전 언어모델은 어떻게 작동할까. MIT 6.S184 마지막 강의가 설명한 연속시간 마르코프 연쇄와 전이율 행렬, 그리고 학습이 분류 문제로 바뀌는 이산 플로우 매칭의 핵심을 정리했다.
핵심 내용 읽기 →
플로우 매칭 원리 정리: MIT 6.S184 강의로 보는 확산 모델과 생성 모델의 학습 알고리즘
MIT 6.S184 두 번째 강의는 영상·이미지 생성 모델의 표준 학습법인 플로우 매칭을 다룬다. 복잡한 수식을 걷어내면 남는 알고리즘은 노이즈와 데이터를 직선으로 섞고 그 방향을 맞히는 단순한 회귀였다.
핵심 내용 읽기 →
플로우와 디퓨전 모델 기초: MIT 강의로 보는 생성 모델의 미분방정식과 벡터장 개념
생성한다는 것은 결국 분포에서 표본을 뽑는 일이다. MIT의 플로우·디퓨전 모델 강의 1강을 따라 벡터장, 상미분방정식, 브라운 운동과 확률미분방정식으로 이어지는 생성 모델의 수학적 뼈대를 정리했다.
핵심 내용 읽기 →
ICML 2026 논문 해설 — 등변 표현 학습의 잠재 공간 어긋남을 플로우 매칭으로 보정하기
이미지를 돌려 인코딩한 결과와 잠재 공간에서 돌린 결과는 이론과 달리 잘 맞지 않는다. ICML 2026에서 발표된 논문이 이 어긋남을 메우려고 제안한 잔차 흐름 보정 방식과 벤치마크 실험 결과를 한국어로 정리했다.
핵심 내용 읽기 →
확장 플로우(Expanding Flows): 길이가 변하는 데이터를 몇 단계 만에 생성하는 새 프레임워크
마이크로소프트 리서치 강연에서 소개된 '확장 플로우'는 생성 도중 토큰과 좌표를 새로 끼워 넣어 가변 길이 데이터를 한두 단계 만에 만들어낸다. 분자 구조와 분자 그래프, 언어 생성 실험에서 확인된 성과와 남은 한계를 정리했다.
핵심 내용 읽기 →
플로우·확산 모델 입문: 노이즈를 데이터로 바꾸는 생성 AI의 수학적 뼈대 (MIT 6.S184)
스테이블 디퓨전·소라·알파폴드가 공유하는 플로우·확산 모델의 원리를 MIT 6.S184 강의를 근거로 정리했다. 생성을 벡터 생성으로 보는 관점부터 벡터장·ODE, 브라운 운동·SDE, 시뮬레이션 방법까지 다룬다.
핵심 내용 읽기 →
플로우 매칭이란? 확산 모델과 다른 이미지·영상 생성 원리와 정류 플로우 정리
플럭스·스테이블 디퓨전 3 등이 채택한 플로우 매칭을 물리의 연속 방정식과 최적수송으로 풀어 설명합니다. 조건부·주변 속도장과 정류 플로우까지 정리했습니다.
핵심 내용 읽기 →