主动流匹配
机器学习
2026-03-03 v1
摘要
离散扩散和流匹配模型通过并行、迭代细化捕捉高维目标景观中复杂的非线性和非自回归结构。然而，其隐式生成方式使得它们无法直接集成到针对在线黑盒优化的原则性变分框架中，如变分搜索分布（VSD）和自适应抽样（CbAS）。我们提出主动流匹配（Active Flow Matching, AFM），通过在流沿条件端点分布上重新定义变分目标，使流模型能够在保持 VSD 和 CbAS 严谨性的基础上，通过梯度导向高适应区域。我们使用自归一化重要抽样推导了前向和逆 Kullback-Leibler（KL）变体。跨一系列在线蛋白和小分子设计任务，forward-KL AFM 始终与最先进的基准线相当，有效地在紧张实验预算下实现探索-开发平衡。
引用
@article{arxiv.2603.00877,
title = {Active Flow Matching},
author = {Yashvir S. Grewal and Daniel M. Steinberg and Thang D. Bui and Cheng Soon Ong and Edwin V. Bonilla},
journal= {arXiv preprint arXiv:2603.00877},
year = {2026}
}