面向科学成像的不确定性感知分布到分布流匹配
机器学习
2026-05-22 v4
摘要
分布到分布生成模型支持从细胞扰动响应建模到跨条件医学图像转换等科学成像任务。可信生成要求具备可靠性，即跨实验室、设备和实验条件的泛化能力，以及可问责性，即检测预测可能不可靠的分布外情况。我们利用随机流匹配（SFM），一种保留边缘分布的流匹配随机扩展，以改善分布偏移下的泛化能力。SFM 通过扩散项和学习的基于分数的漂移校正来增强确定性流，在保留所学传输边缘分布的同时对条件变异性进行建模。在此 SFM 框架基础上，我们引入贝叶斯随机流匹配（BSFM）作为配套的不确定性量化机制，并开发了 AVUQ（对偶方差缩减不确定性量化），通过样本高效的对偶采样和近似后验推断来近似估计认知不确定性和偶然不确定性。我们进一步利用 AVUQ 生成用于检测不可靠生成的异常分数。在多种未见过的场景下对细胞成像（BBBC021、JUMP）和脑 fMRI（心理理论）的实验表明，SFM 提高了泛化能力，而 AVUQ 在实用的采样预算下提供了有效的基于不确定性的异常分数。
引用
@article{arxiv.2603.21717,
title = {Uncertainty-Aware Distribution-to-Distribution Flow Matching for Scientific Imaging},
author = {Dongxia Wu and Yuhui Zhang and Serena Yeung-Levy and Emma Lundberg and Emily B. Fox},
journal= {arXiv preprint arXiv:2603.21717},
year = {2026}
}