面向扩散桥梁的代理 ODE 模型构建方法
机器学习
2025-12-16 v1
摘要
扩散和 Schrödinger 桥模型在生成模型中取得了最先进的性能，但常受计算成本高和训练程序复杂的制约。虽然连续时间桥梁承诺更快的采样，但过参数化的神经网络描述其最优动力学，潜在的随机微分方程可能难以有效集成。本工作引入一种新范式，使用代理模型创建这些动力学的更简单、更快、更灵活的近似。我们提出了两种具体算法：SINDy 流匹配（SINDy-FM），它利用稀疏回归从数据中识别可解释的符号微分方程；以及 Schrödinger 桥的神经 ODE 重构（DSBM-NeuralODE），用于灵活的连续时间参数化。在高斯运输任务和 MNIST 潜在平移上的实验表明，这些代理模型在实现竞争性能的同时，显著提高了效率和可解释性。特别是符号 SINDy-FM 模型，可将参数数量降低几个数量级，并实现近乎即时的推断，为实用部署的可行且高性能桥梁模型的新一类方法铺平了道路。
关键词
引用
@article{arxiv.2512.12671,
title = {On Approaches to Building Surrogate ODE Models for Diffusion Bridges},
author = {Maria Khilchuk and Vladimir Latypov and Pavel Kleshchev and Alexander Hvatov},
journal= {arXiv preprint arXiv:2512.12671},
year = {2025}
}