基于重要性权重的得分正则化联合抽样用于流匹配
计算机视觉与模式识别
2026-03-02 v2 人工智能
机器学习
摘要
流匹配模型有效地表示复杂分布，但在抽样预算有限的情况下估计其输出函数的期望值仍然具有挑战性。独立抽样往往会产生高方差估计，尤其当少数高影响结果占主导时。我们提出一种非独立抽样框架，通过联合抽取多个样本以覆盖流匹配模型生成分布的多样化、显著区域。为平衡多样性与质量，我们引入基于得分的正则化以增强多样性机制（SR），该机制使用得分函数（即对数概率的梯度），以确保样本在数据流形的高密度区域内被推远，从而减轻离群点漂移。为在需要时实现无偏估计，我们进一步发展了一种方法，对非独立流样本进行重要性加权，通过学习残差速度场来再现非独立样本的边际分布，并沿轨迹演化重要性权重。实验表明，我们的方法产生了多样化的高质量样本，能够准确估计重要性权重和期望值，推动了对流匹配模型输出可靠特征的描述。我们的代码将在 GitHub 上公开。
引用
@article{arxiv.2511.17812,
title = {Score-Regularized Joint Sampling with Importance Weights for Flow Matching},
author = {Xinshuang Liu and Runfa Blark Li and Shaoxiu Wei and Truong Nguyen},
journal= {arXiv preprint arXiv:2511.17812},
year = {2026}
}