في عالم التعلم الآلي، أصبحت نماذج التوليد ذات الخطوة الواحدة (one-step generative modeling) واحدة من أبرز الأساليب لتقليل تكاليف الاستدلال في نماذج الانتشار وتطابق التدفقات. لكن، على الرغم من نجاحها، فإن التدريب باستخدام MeanFlow يُعرف بأنه غير مستقر، حيث يشير إلى فقدان لا يتناقص وتباين غير محدود في التدرجات.

في دراسة حديثة، تم تطوير نظرية تعزو هذه الحالة إلى سوء استخدام حقل السرعة الشرطية، الذي يلعب دورين إحصائيين مختلفين في دالة الخسارة: كهدف تجريبي غير متحيز وأيضًا كمتغير تحكم مونت كارلو داخل حاصل ضرب متجه جاكوب. تُظهر النتائج أن الخسارة الأصلية تنسب معامل غير صحيح للدور الثاني.

قامت الدراسة باشتقاق المعامل الأمثل في صورة مغلقة، وثبتت أن مجموعة من الحلول المتزامنة تتوافق مع تجسيدات عملية مختلفة لنفس القيمة المثلى. من خلال إجراء مسح مدروس لهذا المعامل على نماذج ثنائية الأبعاد وعبر نموذج Diffusion Transformer المدرب، تم استرجاع ترتيب التحيز والتباين المتوقع.

يرتفع تحسين المعامل الأمثل بجودة العينات حتى 54% على نماذج ثنائية الأبعاد، إلى جانب اتجاه FID أحادي في كل نقطة من نقاط التحقق عند استخدام DiT. تبرز القياسات نفسها أيضًا عدم تطابق كمي بين FID وMSE: بينما يتقلص تباين التدرجات عند قيمة داخلية معينة، فإن المعامل الذي يقلل FID يفضل الاستخدام المباشر للسرعة الشرطية.

إن هذه النتائج تسلط الضوء على أهمية الاستراتيجيات المبتكرة في تحسين جودة نماذج التعلم، مما يمكّن الباحثين من إنتاج نماذج أكثر كفاءة وفعالية.