Yunpeng Mei, Xiaowen Zhu, Chenyu Wang, Chenbo Xin, Hongjie Cao, Jiamin Wang, Jie Chen, Gang Wang · 2026 · arXiv
DOI: 10.48550/arXiv.2610.30107 · open-access PDF
El ajuste de flujo trae un continuo de problemas de regresión de velocidad, pero generalmente informa de una pérdida promedio durante el tiempo de interpolación, ocultando cuáles regiones están limitadas por la ambigüedad intrínseca y que permanecen limitadas por datos. Introducimos el Perfil de ambigüedad de velocidad (VAP), $\mathcal{A}_v(t)$, el tiempo-local Bayes-piso de riesgo de la predicción de velocidad, y descomponemos la pérdida resolvida en el tiempo como $L_N(t)=\mathcal{A}_v(t)+R(t;N)$, donde sólo el exceso del término $R(t;N)$ es reducible por más o un estimador diferente. Para las muestras de formación
Machine translation (Meta M2M100); the English original follows.
Flow matching trains a continuum of velocity regression problems but usually reports a loss averaged over interpolation time, obscuring which regions are limited by intrinsic ambiguity and which remain data-limited. We introduce the Velocity Ambiguity Profile (VAP), $\mathcal{A}_v(t)$, the time-local Bayes-risk floor of velocity prediction, and decompose time-resolved loss as $L_N(t)=\mathcal{A}_v(t)+R(t;N)$, where only the excess term $R(t;N)$ is reducible by more data or a different estimator. For $N$ training samples and a $K$-component mixture in the structured example, we prove two statis
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.30107, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange