基于动力学路径能量的生成式轨迹分析——EnfoPath
机器学习
2025-11-25 v1 人工智能
摘要
基于流的生成模型通过积分学习的速度场从参考分布到目标数据分布来合成数据。先前的工作聚焦于端点指标（如保真度、似然性、感知质量），而忽略了一个更深层的问题：抽样轨迹揭示了什么？以经典力学为灵感，我们引入动力学路径能量 (KPE)，这是一种简单而强大的诊断工具，用于量化 ODE-based 采样器沿每个生成路径的总动能。通过在 CIFAR-10 和 ImageNet-256 上的全面实验，我们发现两个关键现象：({i}) 更高的 KPE 预测更强的语义质量，表明语义丰富的样本需要更大的动能；({ii}) 更高的 KPE 与数据密度呈反相关，信息丰富的样本位于稀疏、低密度区域。这些发现表明，语义信息丰富的样本自然位于数据分布的稀疏边缘，需付出更大的生成努力。我们的结果表明，轨迹水平的分析提供了一种受物理启发且可解释的框架，用于理解生成难度和样本特征。
关键词
引用
@article{arxiv.2511.19087,
title = {EnfoPath: Energy-Informed Analysis of Generative Trajectories in Flow Matching},
author = {Ziyun Li and Ben Dai and Huancheng Hu and Henrik Boström and Soon Hoe Lim},
journal= {arXiv preprint arXiv:2511.19087},
year = {2025}
}
备注
EurIPS 2025 Workshop on Principles of Generative Modeling (PriGM)