神经流动抽样器的快捷模型

从未归一化密度进行抽样是一项具有广泛应用领域的基本挑战，涵盖后验推断、分子动力学等。连续流动神经抽样器通过学习满足边际密度演化关键原则（如连续性方程）的速度场来生成样本。然而，这一学习过程需要准确估计与不可计算术语相关的难题，而现有估计器常因方差偏高或精度不足而受限。为此，我们引入了改进的估计器，采用基于控制变量的速度驱动顺序蒙特卡洛方法。此外，我们提出快捷一致性模型以提升基于流的神经抽样器的运行效率，通过最小化所需抽样步数。我们的方法在合成数据集和复杂 n 体系统目标上均优于现有的基于流的神经抽样器。