arXiv cs.AI· Shervin Khalafi, Kasra Fallah, Sung Cho, Dongsheng Ding, James Anderson, Alejandro Ribeiro·· 3 天前AI 评分22
ConicFlow：面向流匹配模型的约束推理时最优控制
ConicFlow: constrained Inference-time optimal control for flow matching models
AI 导读
ConicFlow 将流匹配模型的约束采样在推理时建模为最优控制问题，在硬性终端约束下平衡对预训练轨迹的偏离与奖励，并采用滚动时域控制与滚动时域原对偶算法求解，对偶乘子随采样过程不断修正以引导生成可行样本。
正文 · AI 翻译
摘要：我们提出 ConicFlow，它将推理时从流匹配模型中进行受约束采样建模为一个最优控制问题，在硬终端约束下，平衡对预训练轨迹的偏离与奖励。我们对该问题进行离散化，并采用滚动时域控制，每一步仅优化轨迹的一个短窗口，以保证计算可行性。我们用滚动时域原始-对偶算法求解由此产生的滚动时域子问题序列。其对偶乘子刻画了满足每个约束的难度，并在整个采样过程中不断细化，引导生成走向可行的最终样本。我们进一步提出一种终端估计变体，通过在预测的终端点而非当前时域末端评估奖励和约束，避免累积局部截断误差。在标准正则性假设下，我们建立了关于次优性的有限时域保证。在凸仿射结构下，我们推导出一个更紧的界，其随被省略的时域长度线性增长，并证明当流动力学变化缓慢时，终端估计变体可证明更紧。在低维和高维设置下、使用近期大规模流匹配模型进行的实验表明，ConicFlow 在获得高奖励和强约束满足的同时，相比近期基线方法对预训练流的偏离更小。
| 主题： | 人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG）；系统与控制（eess.SY） |
| 引用为： | arXiv:2610.14307 [cs.AI] |
| （或本版本使用 arXiv:2610.14307v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.14307 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Shervin Khalafi [查看邮箱]
[v1]
2026年10月9日星期五 20:32:34 UTC（14,299 KB）
来源：arXiv cs.AI · arxiv.org