Normalizing Flow Maps 融合少步生成与可解似然，入选 NeurIPS 工作坊口头报告
sedielem · x · 2026-10-20
- 论文：《Normalizing Flow Maps》（arXiv:2610.22711），作者包括 Avishek Joey Bose、Michael Bronstein、Alexander Tong 等，已被 NeurIPS 2026 STODY 工作坊接收为口头报告。
- 核心思路：将 Flow Maps 的少步生成能力与 Normalizing Flows 的可解似然结合，提出一类精确可逆的 pushforward 映射，学习底层动力系统的积分器，并在构造上支持高效精确似然评估。
- 训练方法：推导出两条互补的一致性轴以实现（自）蒸馏目标——逐点匹配（支持基于 ℓ2 的 flow-map 式回归损失）与分布匹配（将 pushforward 分布对齐前向过程的边缘分布）。
- 结果：在 CIFAR-10 和 ImageNet-64 的条件图像生成上，参数量对齐时达到同规模 Normalizing Flows 中的 SOTA 样本质量，且支持基于似然的 RLHF；在 Boltzmann Generators 的平衡采样上也超越此前 SOTA。
- 附论文、博客与开源代码链接。
「研究」频道最新
- Atomwell 发布：9B 模型在 8000 万实验数据上跑出分子发现 scaling laws — chaitjo · 2026-10-20
- SFT vs RLVR：微调方式如何影响 LLM 置信度校准的实证对比 — burkov · 2026-10-20
- OpenAI 一天发布 722 篇 AI 数学论文，Readable Intelligence 做可读版 — songyoupeng · 2026-10-20
- 果蝇全脑模拟热遭泼冷水:推主推荐一篇批评性论文 — ShahabBakht · 2026-10-20
- UCSB 团队获 NSF 100 万美元资助,研究物理系统中的高阶交互建模 — ninamiolane · 2026-10-20
- AI2 发布 MolmoB0T：170 万条仿真轨迹实现机器人零样本操作 — chris_j_paxton · 2026-10-20