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
A correspondência de fluxo treina um continuum de problemas de regressão de velocidade, mas geralmente relata uma perda média durante o tempo de interpolação, obscurecendo quais regiões são limitadas por ambiguidade intrínseca e que permanecem limitadas por dados. Introduzimos o Perfil de Ambiguidade de Velocidade (VAP), $\mathcal{A}_v(t)$, o tempo-local Bayes-nível de risco de previsão de velocidade, e decompor a perda resolvida no tempo como $L_N(t)=\mathcal{A}_v(t)+R(t;N)$, onde apenas o excesso de termo $R(t;N)$ é reduzível por mais ou um estimador diferente de dados. Para amostras de treinamento de $N$ e uma
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