ESS-Flow：基于椭圆切片抽样的无梯度流模型引导
机器学习
2025-10-08 v1 机器学习
摘要
针对条件生成或产生具有所需目标属性的样本来引导预训练的流式生成模型，能够在不对偶数据进行重新训练的情况下解决多样任务。我们提出了ESS-Flow，一种无梯度的方法，利用流式模型中通常为高斯的源分布 prior，通过椭圆切片抽样在源空间中直接执行贝叶斯推断。ESS-Flow仅需要通过生成模型和观测过程进行前向传递，不需要梯度或雅可比计算，即使在梯度不可靠或不可用的情况下（如仿真基于观测或生成或观测过程中的量化）也可适用。我们在设计具有所需目标属性的材料和从稀疏残基间距离测量预测蛋白质结构方面展示了其有效性。
引用
@article{arxiv.2510.05849,
title = {ESS-Flow: Training-free guidance of flow-based models as inference in source space},
author = {Adhithyan Kalaivanan and Zheng Zhao and Jens Sjölund and Fredrik Lindsten},
journal= {arXiv preprint arXiv:2510.05849},
year = {2025}
}
备注
14 pages, 12 figures. Code will be made available after publication