Y 形生成流
机器学习
2026-02-05 v3 人工智能
摘要
现代连续时间生成模型通常诱导出\emph{V 形}流:每个样本独立地沿近乎笔直的轨迹从先验移动到数据。尽管有效,这种独立运动忽略了现实数据中存在的层次结构。为解决这一问题,我们提出\emph{Y 形生成流},在该框架中,样本先沿共享路径共同行进,再分叉至各自的目标终点。我们的公式具有理论上的合理性,同时保持实用性,只需对标准速度驱动模型进行极少的修改。我们通过一个可扩展的、基于神经网络的训练目标来实现这一方法。在合成、图像和生物数据集上的实验表明,我们的方法能够恢复具有层次感知的结构,在分布度量上优于强大的基于流的基线,并以更少的步数到达目标。
引用
@article{arxiv.2510.11955,
title = {Y-Shaped Generative Flows},
author = {Arip Asadulaev and Semyon Semenov and Abduragim Shtanchaev and Eric Moulines and Fakhri Karray and Martin Takac},
journal= {arXiv preprint arXiv:2510.11955},
year = {2026}
}