Discrete Flow-based Models（DFM）は高品質の離散データのための強力な生成モデルですが、反復復号化プロセスに依存してサンプリングレートが遅いという欠点があります。本論文では、DFMのファクタリゼーション近似誤差をConditional Total Correlation（TC）を用いて分析し、この誤差がカップリングに依存することを明らかにする。効率的な素数ステップ生成のために、ソース分布とターゲット分布との間の結合を修正して基本的なファクタリゼーション誤差（Conditional TCで測定）を減らす新しい反復方法であるRectified Discrete Flow（ReDi）を提案する。 ReDiの各段階は単調に減少するConditional TCを保証し、収束性を理論的に証明し、実験的にConditional TCを有意に減少させ、少数段階の生成を可能にすることを示した。さらに、修正されたカップリングが効率的なワンステップモデルトレーニングに適していることを示しています。 ReDiは、効率的な離散データ合成の新しい視点を提示し、少数段階の問題を解決するための簡単で理論的なアプローチを提供します。
