Flow Matching (FM)은 놀라운 생성 성능을 달성했지만, 훈련(training)과 추론(inference) 사이의 불일치로 인해 노출 편향 (Exposure Bias) 문제를 겪고 있습니다. 기존의 완화 전략들은 일반적으로 정적인 제약 조건이나 외부 휴리스틱 (heuristics)에 의존합니다. 본 연구에서는 노출 편향 자체가 스스로의 교정을 안내할 수 있는 동적 신호 (dynamic signals)를 본질적으로 포함하고 있다는 점을 제안합니다. 이를 활용하기 위해, 우리는 DEFAR (DirEctional-Frequency Adaptive Rectification)를 도입합니다. 이 프레임워크는 훈련 중에 단일 단계 추론 과정을 시뮬레이션하여 노출 편향을 식별합니다. 또한 편향 자체로부터 얻은 방향 및 주파수 적응형 피드백 신호를 활용하여 모델의 편향 내성 (bias tolerance)을 강화합니다. 이는 두 가지 핵심 구성 요소로 이루어집니다: (1) 항-표류 교정 (Anti-Drift Rectification, ADR). ADR은 추론 시의 표류 (drift)를 이탈된 상태를 목표 방향으로 다시 조종하는 방향을 학습하기 위한 신호로 취급합니다. ADR은 모델에 내재적인 능동적 자가 교정 (active self-rectification) 능력을 부여합니다; (2) 주파수 보상 (Frequency Compensation, FC). 경험적으로, 우리는 누적된 편향이 고노이즈 (high-noise) 단계에서 저주파 (low-frequency) 성분의 부족에서 기인하는 경우가 많으며, 노출 편향이 누락된 주파수를 운반하고 있음을 관찰했습니다. FC는 편향 자체를 자가 피드백 가중치 인자로 활용하여 누락된 주파수 성분을 강화합니다. CIFAR-10, CelebA-64, ImageNet-256/512에 대한 실험 결과, DEFAR은 이전의 베이스라인 (baselines)보다 뛰어난 성능을 보였으며, 우수한 확장성 (scalability), 호환성 (compatibility) 및 추론 견고성 (inference robustness)을 추가로 입증했습니다.