SCORENF：用于采样未归一化分布的基于评分的归一化流
摘要
未归一化概率分布是建模复杂物理系统在多个科学领域中的核心问题。传统采样方法，如蒙特卡洛链(MCMC)，常常 suffers from slow convergence、关键减缓、模式混合不良以及高自相关。相比之下，基于似然的和对抗性机器学习模型虽然有效，但高度依赖数据，要求大规模数据集，常常遇到模式覆盖和模式崩溃问题。本文提出SCORENF，一种基于归一化流(NF)架构的评分学习框架，集成独立米氏-哈斯斯采样(IMH)模块，实现对未归一化目标分布的高效且无偏采样。我们展示SCORENF即使在小训练样本集合下也能保持高性能，从而减少对计算昂贵的MCMC生成训练数据的依赖。我们还present了一种用于评估模式覆盖和模式崩溃行为的方法。我们在合成2D分布(MOG-4和MOG-8)和高维晶格场论分布上验证了该方法，证明了其在采样任务中的有效性。
引用
@article{arxiv.2510.21330,
title = {SCORENF: Score-based Normalizing Flows for Sampling Unnormalized distributions},
author = {Vikas Kanaujia and Vipul Arora},
journal= {arXiv preprint arXiv:2510.21330},
year = {2025}
}
备注
\c{opyright} 20XX IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works