AI与世界难题 · 理论计算机科学 · arXiv · 2026-10-22
面向低NFE生成流的密度级后向误差
原标题: Density-Level Backward Error for Low-NFE Generative Flows
当以较少的网络评估次数预算（低 NFE）对生成式 ODE 进行采样时，性能不仅受求解器阶数的制约，还受该固定预算沿流（flow）分布方式的制约。作者提出了一个密度层面的后向误差框架，用以识别求解器修正方程亏量中会改变演化边缘分布的那个分量，从而得到一个感知求解器阶数的算力分配规则，并借助规范自由度得到一个目标函数，用于在同一密度路径的各速度场表示中选出数值上更有利者。精确高斯模型与混合模型确立了该机制；在一个预训练的 CIFAR-10 EDM 概率流 ODE 上，密度感知分配在低 NFE 情形下持续改进固定更新次数的欧拉采样，同时收敛到相同的稠密欧拉参考结果。