基于混合条件基的最短路径流匹配用于对未见条件的分布外泛化
机器学习
2026-02-12 v2 计算机视觉与模式识别
图像与视频处理
摘要
在分布偏移下的鲁棒泛化仍是条件生成建模的一个关键挑战：基于条件流的方法通常能很好地拟合训练条件，但无法外推到未见条件。我们引入了SP-FM，一种最短路径流匹配框架，通过使基分布和流场都依赖于条件来改善分布外（OOD）泛化。具体而言，SP-FM学习一个参数化为灵活、可学习混合的条件依赖基分布，以及一个通过最短路径流匹配训练的条件依赖向量场。对基分布施加条件使模型能够跨条件调整其起始分布，从而实现平滑插值和在观测训练范围之外的更可靠外推。我们对由此产生的条件传输提供了理论见解，并展示了混合条件基如何增强偏移下的鲁棒性。在经验上，SP-FM在异构领域均有效，包括预测单细胞转录组学中对未见扰动的响应，以及在高内涵显微镜药物筛选中建模治疗效果。总体而言，SP-FM为改善跨不同领域的条件生成建模和分布外泛化提供了一种简单而有效的即插即用策略。
引用
@article{arxiv.2601.11827,
title = {Shortest-Path Flow Matching with Mixture-Conditioned Bases for OOD Generalization to Unseen Conditions},
author = {Andrea Rubbi and Amir Akbarnejad and Mohammad Vali Sanian and Aryan Yazdan Parast and Hesam Asadollahzadeh and Arian Amani and Naveed Akhtar and Sarah Cooper and Andrew Bassett and Pietro Liò and Lassi Paavolainen and Sattar Vakili and Mo Lotfollahi},
journal= {arXiv preprint arXiv:2601.11827},
year = {2026}
}