SlotFlow：基于插槽的归一化流实现的 trans-dimensional 推断
计算机视觉与模式识别
2026-03-31 v3
摘要
在信号处理、天文学和神经科学领域，同时推断贡献观察的不同组成部分数量并估计其参数，这仍是一个长期存在的挑战。经典的 trans-dimensional 贝叶斯方法，如可逆跳跃马尔可夫链蒜蓉 (Reversible Jump Markov Chain Monte Carlo, RJMCMC) 提供渐近精确的推断，但计算代价高昂。相比之下，现代深度学习提供了更快的推断方法，但通常假设组成部分数量固定，回避了 trans-dimensionality 的核心挑战。为此，我们引入 SlotFlow，这是一种用于 trans-dimensional 折扣推断的深度学习架构。该架构处理时间序列观测数据，通过平行编码器在频率和时间域中进行联合表示。分类器生成对组成数量 K 的分布，其最大后验估计指定实例化插槽的数量。每个插槽都由共享的条件归一化流参数化，通过排列不变的匈牙利匹配进行训练。在最高可达 10 个重叠组成分量的正弦分解和高斯噪声下，SlotFlow 实现了 99.85% 的基数准确率，并获得了良好校准的参数后验分布，系统性偏差均小于一个后验标准差。与 RJMCMC 直接比较显示，在振幅和相位上结果接近，Wasserstein 距离 和 ，表明共享的全局上下文尽管采用因子化后验，仍能捕捉组成间的结构。频率后验保持居中，但呈现出 2-3 倍更宽的区间，这与在保留长基线相位相干性方面存在编码器瓶颈相符。该方法相较于 RJMCMC 实现了约 倍的加速，表明其适用于引力波天文学、神经元尖峰排序和面向对象的视觉等时间关键型工作流程。
引用
@article{arxiv.2511.23227,
title = {PointCNN++: Performant Convolution on Native Points},
author = {Lihan Li and Haofeng Zhong and Rui Bu and Mingchao Sun and Wenzheng Chen and Baoquan Chen and Yangyan Li},
journal= {arXiv preprint arXiv:2511.23227},
year = {2026}
}