Sinkhorn-Drifting: Neue Brücke zwischen Drift‑Dynamik und Sinkhorn‑Divergenz

In einer kürzlich veröffentlichten Studie wird erstmals ein theoretischer Zusammenhang zwischen der sogenannten „Drifting“-Generativdynamik und den Gradientflows, die durch die Sinkhorn‑Divergenz erzeugt werden, aufgezeigt. Die Autoren zeigen, dass die Driftfelder in einer Teilchen‑Diskretisierung sich in einen attraktiven und einen abstoßenden bzw. selbstkorrigierenden Term aufteilen lassen – beide beschrieben durch einseitige, normalisierte Gibbs‑Kerne.

Die Sinkhorn‑Divergenz liefert ein analoges „Cross‑Minus‑Self“-Strukturmodell, jedoch mit beiden Termen, die auf entropisch optimierten Transportcouplings beruhen, die durch eine zweiseitige Sinkhorn‑Skalierung (also die gleichzeitige Erfüllung beider Randbedingungen) entstehen. Diese Entdeckung legt nahe, dass Drifting als eine Art Ersatz für einen Sinkhorn‑Divergenz‑Gradientflow fungiert und dabei zwischen einseitiger Normalisierung und vollständiger zweiseitiger Skalierung interpoliert.

Ein wichtiger Nutzen dieser Verbindung ist die Auflösung einer Identifizierbarkeitslücke in früheren Drifting‑Modellen: Durch die Definitheit der Sinkhorn‑Divergenz wird bewiesen, dass ein Null‑Drift (das Gleichgewicht der Dynamik) exakt bedeutet, dass Modell‑ und Zielverteilung übereinstimmen. Damit wird die theoretische Basis für die Stabilität und Genauigkeit der Methode gestärkt.

Experimentell demonstrieren die Forscher, dass Sinkhorn‑Drifting die Empfindlichkeit gegenüber der Kernel‑Temperatur reduziert und die Qualität der ein‑Schritt‑Generierung verbessert. Obwohl die Methode mehr Trainingszeit erfordert, führt sie zu einer stabileren Optimierung. In praktischen Tests auf dem FFHQ‑ALAE‑Datensatz bei sehr niedriger Temperatur senkt Sinkhorn‑Drifting den durchschnittlichen FID-Wert von 187,7 auf 37,1, was einen signifikanten Qualitätsgewinn darstellt.