流匹配的惊人稳定性

深度生成模型在生成高质量且多样化样本方面往往归功于特定的架构和大型训练数据集。在本文中，我们研究了这些因素对 flow matching 生成样本质量和多样性的影响。令人惊讶的是，我们在CelebA-HQ数据集上的实验中发现，flow matching 即使在删除50%的数据集后仍然保持稳定。也就是说，生成样本的质量和多样性得以保留。此外，修剪对潜在表示的影响仅略微，即在给定随机种子下，训练于完整数据集和修剪后数据集的模型生成的样本对应于视觉上相似的输出。我们观察到在改变架构或训练配置的情况下，潜在表示也保持稳定。我们的结果量化了这种稳定性在实际中的强度，并帮助解释了 flow matching 模型在各种扰动下的可靠性。