数据流形上的回拉流匹配
原文中文,约300字,阅读约需1分钟。发表于: 。本文提出了一种新颖的生成建模框架——回拉流匹配(PFM),解决了现有方法在训练Riemannian流匹配模型时对流形映射的严格假设问题。PFM通过利用回拉几何和等距学习,优化了潜在空间中的高效生成与精确插值,显著提升了流形学习和生成性能,尤其在药物发现和材料科学中显示出广泛的应用潜力。
生成模型在轨迹推断中,传统方法受限于欧几里得几何,难以捕捉底层动力学。Metric Flow Matching(MFM)通过最小化数据诱导的黎曼度量动能,实现数据流形上的矢量场匹配,降低不确定性,提供更有意义的插值。研究表明,MFM在LiDAR导航、图像翻译和细胞动力学建模等任务中表现优异,尤其在单细胞轨迹预测中达到SOTA水平。