arXiv cs.AI· Chenrui Ma, Xi Xiao, Lin Zhao, Xinru Jiang, Tianyang Wang, Yanning Shen, Ferdinando Fioretto·· 3 天前AI 评分29
Posterior Flow Matching：一种可输出端点不确定性的生成建模框架
Posterior Flow Matching
AI 导读
研究者提出 Posterior Flow Matching（PFM），用高斯后验模型同时学习条件速度均值与逐分量方差，使单次模型评估即可给出传输预测和端点不确定性。该方法支持均值驱动的 ODE 与后验驱动的 SDE，后者局部噪声尺度随预测不确定性自适应调整。在图像、点云、分子和动作生成任务上，PFM 提升了生成质量，并可在整个生成过程中读取端点后验信息。
正文 · AI 翻译
摘要：流匹配学习如何将噪声输运至数据，但其均值预测并不直接报告中间状态下剩余的端点不确定性。本文提出后验流匹配（Posterior Flow Matching，PFM），一种通用生成建模框架，通过高斯后验模型学习条件速度均值和逐分量方差。同一次模型评估同时提供输运预测和端点不确定性，使后验诊断可在整个生成过程中获得。这些学习到的矩支持均值驱动的常微分方程（ODE）和后验驱动的随机微分方程（SDE），其局部噪声尺度可自适应于预测的不确定性。在图像、点云、分子和动作生成任务中，PFM 提升了生成质量，并在整个生成过程中提供端点后验读数。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.13994 [cs.LG] |
| （或 arXiv:2610.13994v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13994 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Chenrui Ma [查看邮箱]
[v1]
2026年9月26日星期六 20:44:52 UTC（30,029 KB）
来源：arXiv cs.AI · arxiv.org