潜在随机插值
机器学习
2026-04-23 v2 机器学习
摘要
随机插值（SI）是一种强大的生成模型框架，能够灵活地在两个概率分布之间进行转换。然而，其在联合优化潜在变量模型中的应用尚未探索，由于这需要对两个分布的样本具有直接访问。本工作提出了潜在随机插值（LSI），通过开发直接在连续时间中推导的原证据下界（ELBO）目标，实现了在潜在空间中的联合学习，包括 end-to-end 优化的编码器、解码器和潜在 SI 模型。联合优化使 LSI 能够学习有效的潜在表示，并生成一种将任意先验分布转换为编码器定义的聚合后验分布的生成过程。LSI 绕过了正态扩散模型的简单先验，缓解了在高维观测空间中直接应用 SI 的计算需求，同时保持了 SI 框架的生成灵活性。我们通过在标准大规模 ImageNet 生成基准上的全面实验表明，LSI 的有效性。
引用
@article{arxiv.2506.02276,
title = {Latent Stochastic Interpolants},
author = {Saurabh Singh and Dmitry Lagun},
journal= {arXiv preprint arXiv:2506.02276},
year = {2026}
}
备注
Accepted at ICLR 2026 as a conference paper