基于不平衡 OT 的重加权流匹配用于无标签长尾生成
机器学习
2025-10-01 v1 计算机视觉与模式识别
摘要
流匹配最近涌现为连续时间生成模型的强大框架。然而，当应用于长尾分布时，标准流匹配 suffers 从majority bias，导致少数模式保真度低，无法匹配真实类别比例。本文提出不平衡最优传输重加权流匹配（Unbalanced Optimal Transport Reweighted Flow Matching, UOT-RFM），一种用于类不平衡（长尾）分布生成建模的新框架，无需任何类别标签信息。我们通过小批量不平衡最优传输（UOT）构建条件向量场，并通过原则化的逆重加权策略缓解majority bias。该重加权依赖于无标签的majority得分，即目标分布与UOT边际之间的密度比。该得分基于数据几何结构量化majority程度，无需类别标签。通过将该得分纳入训练目标，UOT-RFM在一阶校正（k=1）时理论上恢复目标分布，并在高阶校正（k>1）时经验性地改进尾部类别生成。我们的模型在长尾基准测试上超越现有流匹配方法，同时在平衡数据集上保持竞争性能。
引用
@article{arxiv.2509.25713,
title = {Reweighted Flow Matching via Unbalanced OT for Label-free Long-tailed Generation},
author = {Hyunsoo Song and Minjung Gim and Jaewoong Choi},
journal= {arXiv preprint arXiv:2509.25713},
year = {2025}
}
备注
28 pages, 17 figures