強化隨機流映射（SSFMs）突破擴散模型抽樣瓶頸
研究者提出「強化隨機流映射」（Strong Stochastic Flow Maps, SSFMs）框架，直接學習加性噪聲隨機微分方程（SDE）的強解映射，將確定性流映射概念延伸至隨機情境。透過多項式近似布朗運動並證明路徑收斂，SSFMs 可在無需模擬的情況下訓練擴散模型的解映射。
背景與挑戰
流與擴散模型在多種媒介上能產生高品質樣本，但在推論階段需大量網路評估，因為要對底層微分方程進行數值積分。
強化隨機流映射（SSFMs）
研究者提出 SSFMs，作為學習加性噪聲 SDE 強解映射的新框架，直接將確定性流映射概念延伸至隨機領域。與僅能近似常微分方程（ODE）解映射的既有方法不同，SSFMs 目標是捕捉完整的隨機路徑（強收斂），而非僅重建邊緣分布（弱收斂）。
多項式布朗運動近似
為了在訓練時免除模擬過程，作者引入一種布朗運動的多項式近似，並證明其在路徑上收斂。這使得解映射的訓練目標可以直接以解析式表示。
實驗結果
在影像生成任務中，SSFMs 的生成品質超過先前的隨機流映射方法，且僅需少數抽樣步驟即可達成。分子系統的抽樣實驗亦顯示出相同的效能提升，證明該框架在不同領域皆具可行性。
意義
SSFMs 為擴散模型提供了一條降低抽樣成本的路徑，未來有望在生成式 AI 與科學模擬等應用上擴大影響。
延伸閱讀
- 以 NCE 與 SSE 驗證的 AgentSOC：結合生成式推理與圖形化可行性驗證
- pAI/MSc：以人為監督的多代理研究管線與可審計 LangGraph 工作流
- MedSkillAudit：以分層審核評估醫學研究代理人技能的部署準備度
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
