흐름 매칭, 저차원 다양체 구조에 적응한다

본 논문은 흐름 매칭(flow matching)이 고차원 공간에 내재된 저차원 매니폴드 위에 정의된 데이터 분포를 효율적으로 학습하고 샘플링할 수 있음을 이론적으로 증명한다. 흐름 매칭은 기존 확산 기반 생성 모델과 달리 확률 질량을 이동시키는 ODE를 직접 학습함으로써 시뮬레이션‑프리 방식을 제공한다. 저자는 선형 보간 \(X_t = tX_1 + (1-t)X_0\) 를 사용해 기준 분포 \(\pi_0 = \mathcal N(0,I_D)\) 와 목표 분포 \(\pi_1\) 사이의 연속적인 경로를 정의하고, 이 경로에 대응하는 시간‑의존 속도장 \(v^\star(x,t) = \mathbb{E}