生成模型在逆问题中求解的效果如何？一项基准研究
机器学习
2026-02-02 v1
摘要
生成学习基于低维条件生成高维数据，亦即称为提示。因此，生成学习算法可用于解决（贝叶斯）逆问题。在本文中，我们将基于前向回归模型和以马尔可夫链蒙特卡洛方法抽样的先验传统贝叶斯逆方法与三种最先进的生成学习模型进行比较，即条件生成对抗网络、可逆神经网络和条件流匹配。我们将其应用于燃气涡轮喷嘴设计问题，其中我们将六个独立设计参数映射到三个性能标签。我们提出了 several 指标，用于评估这种逆设计方法，并测量所生成设计标签的准确性以及多样性。我们还研究了训练数据集大小对性能的影响。我们的基准测试中有一个明确的赢家，因为条件流匹配在所有竞争方法中始终表现最佳。
引用
@article{arxiv.2601.23238,
title = {How well do generative models solve inverse problems? A benchmark study},
author = {Patrick Krüger and Patrick Materne and Werner Krebs and Hanno Gottschalk},
journal= {arXiv preprint arXiv:2601.23238},
year = {2026}
}
备注
32 pages, 11 figures, 5 tables