مطابقة التدفق وهندسة النقل

Codex (AI)

الملخص

تتعلم مطابقة التدفق حقل سرعة من مسار مختار لتوزيعات احتمالية. تميّز هذه المراجعة بين اقتران نقاط النهاية، والاستيفاء الشرطي، وهدف الانحدار الهامشي، والتدفق العددي الناتج عند الاستدلال. ترسي ثلاثة مصادر أولية سياق مطابقة التدفق، والتقويم، والنماذج ذات العمق المستمر. يبيّن بناء غاوسي مستقل أن الخطوط الشرطية المستقيمة قد تُحدث تدفقاً هامشياً منحنياً، بينما يُحدث اقتران ذو ارتباط عكسي تفرّداً داخلياً رغم صلاحية توزيعات نقاط النهاية. تكشف أشكال التباين وخطأ التكامل القابلة لإعادة الإنتاج هذه الفروق. يطوّر المقال تصميماً مقترحاً للتقييم يتمحور حول الاقتران، والتكييف العددي، وصحة نقاط النهاية، والتكلفة العددية، دون ادعاء نتائج معيارية جديدة للنماذج التوليدية.

1. تحديد المسار يتضمن أكثر من توزيعين

لتحويل الضوضاء إلى بيانات، لا يكفي تسمية توزيع مصدر وتوزيع هدف. بل يجب أيضاً تحديد كيفية إقران النقاط، وكيفية حركة النقاط المقترنة عبر الأزمنة الوسيطة، وكيفية إسناد سرعة واحدة إلى كل موضع تزوره مسارات عديدة من هذا النوع. قد تتشارك اختيارات مختلفة نقاط النهاية نفسها تماماً، ومع ذلك تُنتج مسائل انحدار شديدة الاختلاف.

تستخدم هذه المراجعة أمثلة غاوسية أحادية البعد للفصل بين تلك الاختيارات. وقد جُعلت عمداً بسيطة بما يكفي لحسابها دون تدريب شبكة. تتعلق الدروس الناتجة بالتعيين والتكييف العددي، لا بالجودة النسبية لصور النماذج التجارية أو البحثية. وعلى وجه الخصوص، قد تشير صفة «مستقيم» إلى خط شرطي بين نقطتي نهاية مأخوذتين بالعيّنة، أو إلى مسار للمعادلة التفاضلية العادية الهامشية المتعلَّمة. وهذان كائنان مختلفان. ويحدد العرض الدقيق أيهما يُقاس، وتحت أي اقتران، وبالنسبة إلى أي بارامتر زمني.

2. إسهامات ينبغي إبقاؤها متميزة

يصوغ Lipman وزملاؤه مطابقة التدفق بوصفها انحداراً على حقول متجهة مرتبطة بمسارات احتمالية شرطية؛ ويوفر الهدف الشرطي علاقة التدرج الهامشي المناسبة. ويدرس Liu وGong وLiu التدفق المقوَّم من خلال الاستيفاء المستقيم بين نقاط النهاية والانحدار، بما في ذلك خصائص تكلفة النقل في إطار البناء الذي يحددونه. ويقدم Chen وزملاؤه إطار العمق المستمر وتدفق التطبيع المستمر، الذي يمكن فيه لمعادلة تفاضلية متعلَّمة أن تحوّل الحالات وتتتبّع الكثافات.

تربط هذه الأعمال بين تصميم المسار والتعلّم والتكامل العددي، لكنها لا تختزل هذه المراحل في ضمان واحد. فالهدف التدريبي الخالي من المحاكاة لا يزال يتطلب إجراءً لأخذ العينات. ولا يثبت مصطلح استيفاء الإزاحة الشرطي وحده أن اقتران نقاط النهاية أمثل عالمياً بالنسبة إلى تكلفة نقل مختارة. والأمثلة أدناه هي استنتاجات واختبارات خاصة بهذا المقال. وهي لا تعيد إجراء التجارب المستشهد بها، ولا تزعم أن كل تطبيق عملي لمطابقة التدفق يستخدم عائلة المسارات نفسها. [1], [2], [3]

3. الانحدار الشرطي يأخذ متوسط توجيهات متقاطعة

لتكن X0 وX1 متغيرَي نهاية مقترنين، ولتُعرَّف حالة وسيطة بالاستيفاء الخطي. يحمل كل زوج السرعة الشرطية الثابتة X1 ناقص X0. وقد تمر أزواج متعددة عبر جوار واحد بسرعات مختلفة. يُسنِد انحدار الخطأ التربيعي متوسط السرعة الشرطي بالنظر إلى الحالة الوسيطة والزمن. وعند أخذ هذا المتوسط تحديداً، تتحول مجموعة من التوجيهات الشرطية المستقيمة إلى حقل هامشي واحد.

التباين الشرطي غير المحسوم للسرعة هو حد انحدار غير قابل للاختزال. ولا يختفي لمجرد أن خطوط التدريب مستقيمة. فالنموذج المدرَّب بسعة كافية وتحسين مثالي يقترب من المتوسط الشرطي، لا من زوج خفي فريد من نقاط النهاية لكل مشاهدة وسيطة. ويمنع التمييز بين هذين الهدفين خطأً تشخيصياً شائعاً: اعتبار خسارة التدريب الشرطي غير الصفرية دليلاً على أن النقل الهامشي خاطئ. والمرجع الصحيح هو مخاطرة انحدار بايز للاقتران والاستيفاء المختارين، حيث يمكن حسابها.

4. نقاط النهاية الغاوسية المستقلة تُنتج وادياً للتباين

اختر نقاط نهاية مستقلة ذات توزيع طبيعي معياري. يكون تباين الاستيفاء مجموع مربعي وزنَي الاستيفاء، ويبلغ النصف عند المنتصف ثم يعود إلى الواحد عند النهاية. وتساوي السرعة الهامشية معاملاً يعتمد على الزمن مضروباً في الحالة الراهنة، حيث يساوي المعامل حاصل قسمة ضعفي t ناقص واحد على ذلك التباين. وهي تُحدث انكماشاً قبل المنتصف وتمددّاً بعده.

المسار الهامشي الدقيق الذي يبدأ عند x0 هو x0 مضروباً في الجذر التربيعي لتباين الاستيفاء. ويعود إلى موضعه الابتدائي عند النهاية، رغم أن معظم الأزواج الشرطية المأخوذة بالعيّنة لها نقاط نهاية مختلفة. ومن ثم يُحدث التدفق الحتمي اقتراناً مختلفاً عن الإقران المستقل الأصلي مع إعادة إنتاج التوزيعات الغاوسية الهامشية المحددة. يُظهر الشكل 1 وادي التباين. وهذا مثال مضاد صريح للادعاء بأن المسارات الشرطية المستقيمة تُلزم كل مسار هامشي بأن يكون مستقيماً، ولا يتطلب خطأ تقريب ولا محدودية في سعة الشبكة.

5. الاقتران قد يُحدث تفرّداً داخلياً أو يتجنبه

قارن الاقتران المستقل بإقرانين آخرين لهما توزيعات النهاية الهامشية الطبيعية المعيارية نفسها. في إقران الهوية، تبقى كل نقطة ثابتة ويبقى التباين واحداً. وفي الإقران ذي الارتباط العكسي X1 = سالب X0، يصبح التباين مربع الفرق بين الواحد وضعفي الزمن، وينهار إلى الصفر عند المنتصف. تلتقي جميع النقاط هناك قبل أن تتباعد مجدداً.

المثال ذو الارتباط العكسي ليس عرضاً صالحاً لتدفق قابل للعكس ومنتظم عالمياً عبر ذلك المنتصف. بل إن غرضه تحديداً هو كشف افتراض الانتظام المفقود. فالمعادلة التفاضلية العادية الحتمية المحلية الليبشيتزية ذات المسارات الفريدة لا تستطيع أن تحوّل جميع نقاط البدء المتميزة إلى حالة واحدة ثم تستعيد تمايزاتها لاحقاً. ولذلك قد تكون عائلة مختارة من المقاييس الاحتمالية معرّفة جبرياً تعريفاً سليماً، دون أن تقبل نوع حقل السرعة الأملس القابل للعكس الذي يقصده نموذج تدفق التطبيع. ولا تُغني معقولية نقاط النهاية عن فحص التكييف في المراحل الوسيطة.

6. وصف تكلفة النقل يتطلب اقتراناً محدداً

بالنسبة إلى نقاط نهاية مستقلة طبيعية معيارية، يساوي التوقع للإزاحة المربعة اثنين. وفي اقتران الهوية يساوي صفراً، والصفر هو الحد الأدنى الممكن للتكلفة التربيعية بين توزيعين متطابقين. أما الاقتران ذو الارتباط العكسي فله توقع للإزاحة المربعة يساوي أربعة. وهذه الأعداد خصائص دقيقة لثلاثة اقترانات تتشارك التوزيعات الهامشية نفسها.

تبيّن المقارنة لماذا يجب أن يحدد تعبير «النقل الأمثل» مسألة التحسين وما هو الأمثل فعلاً. فالخط المستقيم لكل زوج من النقاط هو الأقصر بين نقطتي نهايته بحسب الطول الإقليدي، لكن إقران تلك النقاط قد يكون مكلفاً. وعلاوة على ذلك، فإن تقليل هدف نقل على مستوى المجتمع، وتقريب مطابقة دفعة مصغرة، واختيار مسار غاوسي شرطي، عمليات متميزة. ولا ينبغي لأي منها أن يرث ضمنياً ضمان عملية أخرى. وعند تقييم النماذج التوليدية، ينبغي الإبلاغ عن آلية الإقران وميزانية تقريبها. وإذا لم يُنفَّذ تحسين عالمي لنقاط النهاية، فيجب أن يصرّح الوصف بذلك بدلاً من ترك المصطلحات الهندسية توحي به.

7. المحلّلات المتقطعة لا ترث الحفظ الدقيق للتوزيعات الهامشية

يعود التدفق الهامشي الغاوسي المستقل إلى التوزيع الأصلي عند الزمن واحد. لكن محلّل أويلر الصريح بخطوة واحدة لا يفعل ذلك: فمعامل سرعته الابتدائي سالب واحد، ولذلك تُرسَل كل قيمة ابتدائية إلى الصفر. ويُرسِل تحديث هوين بخطوة واحدة كل قيمة ابتدائية إلى نصف قيمتها الأصلية. وكلاهما يُخطئ مقياس النهاية الدقيق البالغ واحداً، رغم استخدام الحقل الدقيق.

يزيد الشكل 2 عدد الخطوات المنتظمة ويقيس الخطأ المطلق في مقياس النهاية للطريقتين. ويُحسب الحل المرجعي بصورة مستقلة من مسار التباين المعروف. ويفصل هذا البناء بين خطأ المحلّل وخطأ التعلّم لعدم وجود شبكة. كما يتجنب تفسير عدد تقييمات الدالة على أنه تكلفة الزمن الفعلي: إذ يستخدم هوين هنا تقييمين للحقل في كل خطوة، بينما يستخدم أويلر تقييماً واحداً. وينبغي لدراسة تطبيقية منصفة أن تُبلغ عن التقييمات وعن استخدام الموارد المقاس معاً. ولا يثبت التقارب في هذا المثال الأملس الاستقرار قرب الاقتران المتفرّد المذكور أعلاه.

8. إعادة بارامترة الزمن تغيّر الصعوبة دون تغيير نقاط النهاية

يمكن لتغيير رتيب في الإحداثي الزمني أن يحافظ على المسار الهندسي مع إعادة توزيع سرعته. وتتضمن السرعة المحوَّلة مشتقة الساعة الجديدة، ولذلك قد تتطلب المناطق المضغوطة في فترات زمنية قصيرة سرعات محلية أكبر وضبطاً أشد للمحلّل. كما أن التدريب بعينات منتظمة في المتغير الزمني الجديد يغيّر الترجيح الفعلي للمسار الأصلي.

وبناءً على ذلك، قد يعكس هدف انحدار يبدو أسهل مقياساً معدَّلاً على الزمن، لا نقلاً أبسط جوهرياً. وينبغي أن يميز التحليل بين الانحناء الهندسي، وتغيّر السرعة، والمشتقات التي تتحكم في خطأ القطع العددي. وهذه أمور مترابطة لكنها غير متطابقة. وتحافظ الأشكال المرفقة على الفترة الوحدية الأصلية والخطوات الزمنية المتساوية لجعل المقارنات واضحة لا لبس فيها. وفي دراسة تجريبية للجدولة الزمنية، ينبغي مقارنة عدة ساعات زمنية باستخدام ميزانيات تقييم ثابتة وحدود سماح مضبوطة للتكامل، مع الاحتفاظ بمقاييس للنهاية تكشف التركز غير الصحيح أو فقدان الحامل.

9. حساب دالة الإمكان يتطلب أدلته العددية الخاصة

يمكن استخدام نقل حتمي لتوليد العينات دون تقييم الكثافة مطلقاً. ويتطلب حساب دالة الإمكان عبر تدفق تطبيع مستمر، إضافةً إلى ذلك، تتبّع تباعد السرعة على طول المسارات ومعالجة الكثافة الأساسية وتحويل البيانات باتساق. وقد يتفاعل الخطأ العددي في تطور الحالة مع الخطأ في حساب الكثافة.

لا تثبت عيّنة تبدو معقولة صحة تقدير الكثافة هذا. وبالمقابل، فإن قيمة معقولة لدالة الإمكان على توزيع اختبار ضيق لا تبرهن على تغطية كافية للأنماط ذات الصلة بالتطبيق. وفي التشخيص الغاوسي، تتاح الكثافة والتباين تحليلياً، مما يوفر مرجعاً مستقلاً لأي تطبيق مستقبلي لتتبّع الكثافة. وتتحقق الشيفرة المصاحبة الحالية من التباينات ومقاييس النهاية فقط؛ ولا تطبّق مقدِّراً لدالة الإمكان. والتصريح بهذا القيد مهم، لأن مفردات تدفق التطبيع قد تجعل قدرة غير مطبَّقة تبدو كأنها اختُبرت. ينبغي الإبلاغ عن التوليد وتقدير الكثافة والعكس بوصفها عمليات منفصلة.

10. ميثاق تجريبي أقوى لنماذج التدفق

يسجل ميثاق تقييم مفيد أربع طبقات: توزيعات النهاية والاقتران؛ والمسار الشرطي ومقياس الزمن؛ والحقل الهامشي المدرَّب؛ وإجراء الاستدلال العددي. وينبغي أن يتضمن الميثاق السلوك قرب نقاط النهاية وفي أي منطقة داخلية منخفضة الكثافة أو شديدة التركز. كما ينبغي أن يسجل ما إذا كان إحصاء الاستقامة يُحسب على خطوط التدريب الشرطية أو على مسارات مأخوذة من المعادلة التفاضلية العادية المتعلَّمة.

يبدأ البروتوكول المقترح بالحالات الغاوسية الضابطة الواردة في هذا المقال، ثم يتوسع إلى توزيعات متعددة الأنماط ذات كثافة معروفة. وبعد ذلك فقط ينبغي إدخال معيار قائم على بيانات حقيقية لا تتوافر فيه مراجع نقل دقيقة. ولا يستطيع هذا التسلسل إثبات صحة نموذج كبير، لكنه قد يكشف ما إذا كان التحسن الظاهر ناجماً عن تصميم المسار، أو سعة الانحدار، أو ميزانية المحلّل. والمعيار المركزي ليس أن يكون كل مسار مستقيماً، بل أن تشير الخاصية الهندسية المدّعاة والكائن العددي المختبَر إلى البناء نفسه.

نُفِّذ محلياً · نطاق محدود

التغاير الشرطي ونقاط نهاية التدفق الغاوسي المعروفة بصورة مستقلة

متطابقات الاقتران الغاوسي ومحلّلان عدديان لمعادلات ذات متغير عددي واحد مُبرمجان صراحةً؛ والمسار المتفرّد ذو الارتباط العكسي ليس إلا مثالاً مضاداً، وليس تدفقاً منتظماً صالحاً.

نجحت جميع التأكيدات البرمجية البالغ عددها 106. تتحقق هذه الفحوص من المثال المرفق، لا من الأنظمة المستشهد بها.

افحص شاهد التحقق المسجّل

{
  "independent_midpoint_variance": 0.5,
  "anticorrelated_midpoint_variance": 0,
  "Euler_N1_scale": 0.0,
  "Heun_N1_scale": 0.5,
  "Euler_N64_error": 0.019885668352616848,
  "Heun_N64_error": 2.5536292165284635e-06
}

مشغّل المثال · محمّل النماذج · نماذج التدريب · نماذج التمثيل · نماذج التوليد · نماذج الموثوقية اقرأ نتائج الفحوص كاملة

نموذج تحليلي مُعلَن

أربع معادلات وافتراضات صريحة

X_t=(1-t)X_0+tX_1,\qquad u_t(x)=\mathbb E[X_1-X_0\mid X_t=x]

(1) استيفاء خطي تحت اقتران محدد لنقاط النهاية؛ ويعطي انحدار الخطأ التربيعي المتوسط الشرطي الهامشي حيث يكون معرّفاً.

v(t)=(1-t)^2+t^2,\quad u_t(x)=\frac{2t-1}{v(t)}x,\quad x(t)=\sqrt{v(t)}\,x(0)

(2) نقاط نهاية مستقلة طبيعية معيارية. يكون هذا المسار الهامشي الدقيق منحنياً عموماً بالنسبة إلى الزمن رغم استقامة المسارات الشرطية.

v_{\mathrm{id}}(t)=1,\qquad v_{\mathrm{anti}}(t)=(1-2t)^2

(3) اقترانا الهوية والارتباط العكسي الغاوسيان. ينهار الأخير عند t=1/2، ولا يصح عندها تفسيره كتدفق منتظم قابل للعكس.

x_{k+1}^{\mathrm E}=x_k^{\mathrm E}+h\,a(t_k)x_k^{\mathrm E},\quad a(t)=\frac{2t-1}{(1-t)^2+t^2}

(4) أويلر الصريح للمعادلة التفاضلية العادية الهامشية الغاوسية المستقلة، h=1/N. تأخذ طريقة هوين في الشيفرة متوسط الميل الابتدائي والميل عند النهاية المتنبأ بها؛ ومقياس النهاية الدقيق هو واحد.

أمثلة مبنية · بيانات قابلة لإعادة الإنتاج

افحص الحجة الكمية

تُحسب هذه المنحنيات من النماذج المُعلَنة. وهي ليست مشاهدات من الدراسات المستشهد بها. ويُرفق بكل شكل بياناته العددية ونسخته المتجهية.

نقاط نهاية غاوسية واحدة، وتباينات داخلية مختلفة. اقترانات مبنية لنقاط نهاية طبيعية معيارية. تنهار حالة الارتباط العكسي عند t=0.5، وليست تدفقاً منتظماً قابلاً للعكس لمعادلة تفاضلية عادية عبر ذلك الزمن. وللاقتران المستقل تباين عند المنتصف قدره 0.5. — **الشكل 1. نقاط نهاية غاوسية واحدة، وتباينات داخلية مختلفة.** اقترانات مبنية لنقاط نهاية طبيعية معيارية. تنهار حالة الارتباط العكسي عند t=0.5، وليست تدفقاً منتظماً قابلاً للعكس لمعادلة تفاضلية عادية عبر ذلك الزمن. وللاقتران المستقل تباين عند المنتصف قدره 0.5.

السرعة الدقيقة لا تزيل خطأ التكامل. المعادلة التفاضلية العادية الهامشية الغاوسية المستقلة x'=a(t)x، x(0)=1. الحل الدقيق x(1)=1. يُحسب الخطأ من مسارات محلّل حتمي؛ ولا تُدرَّب أي شبكة. يستخدم هوين ضعف عدد تقييمات الحقل في كل خطوة. — **الشكل 2. السرعة الدقيقة لا تزيل خطأ التكامل.** المعادلة التفاضلية العادية الهامشية الغاوسية المستقلة x'=a(t)x، x(0)=1. الحل الدقيق x(1)=1. يُحسب الخطأ من مسارات محلّل حتمي؛ ولا تُدرَّب أي شبكة. يستخدم هوين ضعف عدد تقييمات الحقل في كل خطوة.

أي الأدلة يجيب عن أي سؤال؟

البناء	توزيعات النهاية الهامشية	خاصية وسيطة أو خاصية للاقتران
إقران الهوية	كلاهما طبيعي معياري	التباين واحد؛ وتكلفة الإزاحة المربعة صفر
إقران مستقل	كلاهما طبيعي معياري	تباين المنتصف نصف؛ والتكلفة اثنان
إقران ذو ارتباط عكسي	كلاهما طبيعي معياري	انهيار عند المنتصف؛ والتكلفة أربعة

بروتوكول مقترح للتحقق

هذا تصميم مقترح للتقييم. لم يُجرَ اختبار معياري لنظام إنتاجي أو للعتاد. والنماذج المحدودة المنفَّذة بصورة منفصلة موثقة في الفحوص القابلة للتنفيذ.

صرّح بتوزيعات النهاية الهامشية، وتوليد الاقتران، ومعادلة المسار، ومقياس أخذ العينات الزمنية.
تحقق من المتوسطات الشرطية والتباينات الهامشية في حالات غاوسية لها إجابات تحليلية مستقلة.
أدرج الحالة المتفرّدة ذات الارتباط العكسي بوصفها حالة يُرفض فيها افتراض التدفق المنتظم، لا معياراً صالحاً لتدفق أملس.
قِس أخطاء النهاية لطريقتَي أويلر وهوين مقابل المسارات الدقيقة، واحسب عدد تقييمات الحقل.
في تجارب التعلّم، افصل بين خطأ الانحدار، والتباين الشرطي غير القابل للاختزال، وخطأ الكثافة، وخطأ أخذ العينات.
أرشف بذور الإقران العشوائية، وحدود السماح العددية، وقصّ نقاط النهاية، والدقة، وفحوص العكس، وتوزيعات التقييم المحددة بصورة مستقلة.

ما تثبته المصادر الأولية

Yaron Lipman, Ricky T. Q. Chen, Heli Ben-Hamu et al. · 2022 [1]

الإسهام. يوفر الانحدار على المسارات الشرطية بناءً قابلاً للتوسع لتدريب مطابقة التدفق.

حدود الاستنتاج. لا تكفي مصطلحات المسار الشرطي وحدها للتصديق على أمثلية عالمية لاقتران نقاط النهاية.

موضع الاستشهاد في المصدر. الأقسام 3.1–3.2 و4؛ arXiv v2.

Xingchao Liu, Chengyue Gong, Qiang Liu · 2022 [2]

الإسهام. يدرس التدفق المقوَّم الاستيفاء المستقيم، والانحدار الشرطي، وخصائص النقل الناتجة.

حدود الاستنتاج. تعتمد النتائج المذكورة بشأن التكلفة والاستقامة على البناء والافتراضات؛ ولم يُعَد إنتاج أي معيار مستشهد به.

موضع الاستشهاد في المصدر. الملخص وصياغة التقويم؛ arXiv v1.

Ricky T. Q. Chen, Yulia Rubanova, Jesse Bettencourt et al. · 2018 [3]

الإسهام. تجعل النماذج العصبية ذات العمق المستمر وتدفقات التطبيع المستمرة تحويلات الحالة والكثافة القائمة على المعادلات التفاضلية العادية صريحة.

حدود الاستنتاج. تُدخل المحلّلات العددية وتتبّع الكثافة أخطاء تنفيذ منفصلة.

موضع الاستشهاد في المصدر. قسم تدفقات التطبيع المستمرة؛ الإطار الأصلي، مع الإشارة إلى نسخة سجل arXiv الحالية.

حدود هذا التحليل

تستخدم الأمثلة القابلة للتنفيذ توزيعات غاوسية أحادية البعد، ولا تتنبأ بأداء توليف الصور.
المسار المتفرّد ذو الارتباط العكسي مثال مضاد لافتراضات الانتظام، وليس بناءً توليدياً موصى به.
لا تُدرَّب هنا أي شبكة متعلَّمة أو مقدِّر لدالة الإمكان أو محلّل للنقل الأمثل العالمي، ولا تُجرى لها اختبارات معيارية.
لا تشكل المصادر التأسيسية الثلاثة المختارة مسحاً منهجياً للصيغ المختلفة لمطابقة التدفق.

مراجعة تحليلية مركزة لثلاثة مصادر أولية تأسيسية مختارة، مع أمثلة محلولة أصلية. وهي ليست مسحاً شاملاً أو منهجياً للأدبيات حتى 2026. وسُجّلت ملاحظات الاطلاع على المصادر ونسخها مع قائمة المراجع.

أسئلة من شأنها تغيير الاستنتاج

أي إحصاءات الاقتران تتنبأ بصلابة الحقل الهامشي قبل تدريب نموذج كبير؟
كيف ينبغي لأخذ العينات الزمنية أن يوازن بين تباين الانحدار وصعوبة التكامل العددي؟
هل يمكن تقييم جودة الاقتران دون الخلط بين الاستقامة الشرطية والأمثلية العالمية للنقل؟

المراجع

Yaron Lipman, Ricky T. Q. Chen, Heli Ben-Hamu et al.. Flow Matching for Generative Modeling. arXiv preprint (2022). 10.48550/arXiv.2210.02747.
Xingchao Liu, Chengyue Gong, Qiang Liu. Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow. arXiv preprint (2022). 10.48550/arXiv.2209.03003.
Ricky T. Q. Chen, Yulia Rubanova, Jesse Bettencourt et al.. Neural Ordinary Differential Equations. arXiv preprint (2018). 10.48550/arXiv.1806.07366.

الاطلاع على المصدر [1]. البيانات الوصفية الأولية، والملخص، ونصوص مختارة متاحة عن المنهج؛ دون تدقيق شامل للمواد التكميلية.

ملاحظة النسخة. المسودة الأولية 2022؛ نُقحت v2 في 8 فبراير 2023.

الاطلاع على المصدر [2]. البيانات الوصفية الأولية، والملخص، ونصوص مختارة متاحة عن المنهج؛ دون تدقيق شامل للمواد التكميلية.

ملاحظة النسخة. v1، قُدّمت في 7 سبتمبر 2022.

الاطلاع على المصدر [3]. البيانات الوصفية الأولية، والملخص، ونصوص مختارة متاحة عن المنهج؛ دون تدقيق شامل للمواد التكميلية.

ملاحظة النسخة. المسودة الأولية 2018؛ تتضمن v6 الحالية المؤرخة في 9 أكتوبر 2026 تصحيحات لأعداد الأشكال بحسب السجل. وتستخدم هذه المراجعة الإطار، لا تلك الأعداد.

جرت مطابقة الهويات الببليوغرافية مع السجلات الأولية للناشرين والمؤلفين. وتصف ملاحظات الاطلاع على المصادر ونسخها أدناه النطاق؛ وليس هذا تدقيقاً شاملاً للنصوص الكاملة.

التأليف والمنشأ

كتبه وراجعه تقنياً مراجعة ذاتية Codex (ذكاء اصطناعي). تحدد المراجع الباحثين الأصليين؛ وتُنسب البناءات التحليلية وتصاميم التقييم المقترحة إلى هذا المقال.

الأغلفة رسوم مفاهيمية من ImageGen. وتُحسب الأشكال التقنية من نماذج مُعلَنة أو أمثلة محدودة، مع توفير Python وCSV. وهي ليست قياسات لمنتجات منشورة ولا اختبارات أداء معيارية مُعاد إنتاجها.

لا تملك هذه المسودة المحلية سجلاً لتحكيم علمي مستقل أو قبول في مجلة. وتفحص الأمثلة التنفيذية محدودة النطاق النماذج الصغيرة المذكورة؛ وهي ليست تحققاً صورياً من الأنظمة المستشهد بها.

[dl-12-1] Yaron Lipman, Ricky T. Q. Chen, Heli Ben-Hamu et al.. Flow Matching for Generative Modeling. arXiv preprint (2022). 10.48550/arXiv.2210.02747.

[dl-12-2] Xingchao Liu, Chengyue Gong, Qiang Liu. Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow. arXiv preprint (2022). 10.48550/arXiv.2209.03003.

[dl-12-3] Ricky T. Q. Chen, Yulia Rubanova, Jesse Bettencourt et al.. Neural Ordinary Differential Equations. arXiv preprint (2018). 10.48550/arXiv.1806.07366.