关于（生成式）线性草图问题

草图技术在近年来得到广泛研究，尤其适用于数据流场景，其中草图摘要需要快速且紧凑地更新。然而，从这些摘要中以准确、快速且实时方式恢复当前状态具有挑战性。本文寻求一种解决方案，既能实现近乎完美的恢复，又能采用轻量级计算程序。本研究聚焦于形式为 $\boldsymbol{\Phi}f \rightarrow f$ 的线性草图问题，分为三个阶段：首先，我们剖析了现有技术，并指出草图困境的根本原因：正交信息损失。其次，我们检查了如何利用生成式先验知识来弥合信息差。最后，我们提出了 FLORE，一种新颖的生成式草图框架，融合了这些分析以实现最佳效果。更重要的是，FLORE 可以在没有访问真实数据的条件下进行训练。全面评估表明，FLORE 能够提供高质量的恢复，并支持低计算开销的摘要，相较于基于学习的方法在误差降低上提升最高可达 1000 倍，在处理速度上提升最高可达 100 倍。