arXiv cs.AI· Yesom Park, Kelvin Kan, Qifan Chen, Thomas Flynn, Hayden Schaeffer, Xihaier Luo·· 13 小时前AI 评分31
MintFlow：面向约束流匹配的最小轨迹干预方法
MintFlow: Minimal Trajectory Intervention for Constrained Flow Matching
AI 导读
MintFlow 是一个免训练的约束采样框架，将约束满足表述为对预训练流轨迹的最小干预，通过伴随公式得到扰动的闭式解，无需昂贵的迭代优化。该方法还能自适应选择干预时刻，以平衡所需扰动幅度与其在剩余流场中的放大效应。在生成视觉与物理系统建模任务上，MintFlow 在保持约束满足的同时，比当前最优约束方法更好地保留预训练生成分布。
正文 · AI 翻译
摘要：流匹配模型在生成建模方面表现出色，许多下游应用要求其样本满足预设约束，例如观测测量值和物理定律。然而，现有的约束采样器往往面临一个权衡：\textit{强制施加约束可能会使样本大幅偏离预训练数据分布}。为解决这一权衡问题，我们提出了 \textbf{MintFlow}，这是一个无需训练的约束采样框架，它将约束施加表述为对预训练流轨迹的最小干预。MintFlow 寻求对中间流状态的最小扰动，使得其在预训练流场下的后续演化满足目标约束。通过在保持预训练流场不变的同时对流动状态进行最小扰动，MintFlow 在施加约束的同时最大限度地减少了对预训练分布的不必要偏离。伴随表述给出了该扰动的闭式表达式，从而消除了昂贵的迭代优化。此外，MintFlow 自适应地选择干预时间，以平衡所需的扰动幅度与其被剩余流放大的程度。在生成视觉和物理系统建模的一系列任务中，MintFlow 在实现有竞争力的约束满足的同时，比最先进的约束方法更好地保持了预训练生成分布。
| Subjects: | 人工智能（cs.AI） |
| Cite as: | arXiv:2610.02260 [cs.AI] |
| （或 arXiv:2610.02260v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.02260 由 DataCite 颁发的 arXiv DOI |
Submission history
来自：Yesom Park [查看电子邮件]
[v1]
2026年9月30日星期三 23:58:52 UTC（58,254 KB）
[v2]
2026年10月27日星期二 18:20:59 UTC（58,251 KB）
来源：arXiv cs.AI · arxiv.org