SFBD-OMNI：基于桥接模型用于有限干净样本的有损测量恢复
机器学习
2026-04-07 v2
摘要
在许多实际场景中，获取完全观测的样本昂贵且甚至不可行，而部分和噪声观测相对容易收集。在本工作中，我们研究在大量噪声样本可用且损坏过程作为黑盒生成器提供的条件下进行分布恢复。我们表明，这一任务可表述为单向熵最优传输问题，可通过EM类算法求解。我们进一步提供了判定标准，以确定在样本级信息损失下，真实底层分布是否可恢复；并指出在其他不可恢复情况下，少量干净样本可使分布大致可恢复。基于这些见解，我们引入SFBD-OMNI，一种基于桥接模型的框架，将受损样本分布映射到真实分布。我们的方法将Stochastic Forward-Backward Deconvolution（SFBD；Lu等人，2025）推广到处理高斯损坏之外的任意测量模型。跨越基准数据集和多样化测量设置的实验表明，我们的方法在定性和定量性能方面均实现了显著提升。
引用
@article{arxiv.2512.17051,
title = {SFBD-OMNI: Bridge models for lossy measurement restoration with limited clean samples},
author = {Haoye Lu and Yaoliang Yu and Darren Lo},
journal= {arXiv preprint arXiv:2512.17051},
year = {2026}
}