TRADE: 基于归一化流的外部条件分布迁移
机器学习
2025-03-10 v2
摘要
对依赖于外部控制参数的分布进行建模是多种应用中的常见场景，例如分子模拟，其中温度等系统属性会影响分子构型。尽管这些应用具有相关性，但现有解决方案并不令人满意，因为它们要求严格受限的模型架构，或依赖于不稳定的基于能量的训练。我们提出了TRADE，通过将学习过程形式化为一个边值问题来克服这些限制。通过最初使用独立同分布样本或反向KL训练为特定条件训练模型，我们建立了一个边界分布。然后，我们利用未归一化密度相对于外部参数的梯度，将此信息传播到其他条件。这种形式类似于物理信息神经网络的原理，使我们能够高效地学习参数相关的分布，而无需限制性假设。实验表明，TRADE在从贝叶斯推断和分子模拟到物理晶格模型的广泛应用中取得了优异的结果。
引用
@article{arxiv.2410.19492,
title = {TRADE: Transfer of Distributions between External Conditions with Normalizing Flows},
author = {Stefan Wahl and Armand Rousselot and Felix Draxler and Henrik Schopmans and Ullrich Köthe},
journal= {arXiv preprint arXiv:2410.19492},
year = {2025}
}
备注
Accepted as Poster at AISTATS 2025