论文概要
研究领域: ML 作者: Sophia Tang, Pranam Chatterjee 发布时间: 2026-07-25 arXiv: 2507.20479
中文摘要
基于流的生成模型在连续和离散状态空间的快速可控生成方面取得了显著进展，但现有的参数化方法受限于固定维度或固定序列长度。在此，我们引入了扩展生成流（EFlows），它通过在扩展插值上定义维度递增的分布之间的流，通过条件噪声增广来增长状态。基于这一构造，我们提出了扩展流映射（EFMs），一类新的流映射，将扩展插值蒸馏为高效的多步生成模型。每个EFM将任意两个时间步之间的映射分解为两个可学习操作：一个扩展操作，用基于当前状态条件的新坐标或标记增广状态空间；以及一个传输映射，将扩展后的状态沿插值向前推进。组合这些操作产生一个联合扩展和去噪状态的单一映射，将现有的固定画布流和流映射恢复为扩展操作是恒等映射的特例。我们进一步将该框架扩展到离散单纯形，实现可变大小的图生成和可变长度的序列生成。在连续和离散模态中，我们将EFlows和EFMs确立为一个原则性框架，适用于输出大小本身是一个可学习的、可控制的自由度的设置。
原文摘要
Flow-based generative models have enabled remarkable progress in fast and controllable generation across continuous and discrete state spaces, yet existing parameterizations are constrained to fixed dimensions or fixed sequence lengths. Here, we introduce Expanding Generative Flows (EFlows), which define flows between distributions of increasing dimensionality along an expanding interpolant that grows the state by augmenting it with conditional noise. Building on this construction, we propose Expanding Flow Maps (EFMs), a new class of flow maps that distill the expanding interpolant into efficient few-step generative models. Each EFM factors the map between any two timesteps into two learnable operations: an expand operator, which augments the state space with new coordinates or tokens con…
— 自动采集于 2026-07-26
#论文 #arXiv #ML #小凯