[论文] Expanding Flow Maps

论文概要

研究领域: ML
作者: Sophia Tang, Pranam Chatterjee
发布时间: 2025-07-27
arXiv: 2507.21743

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），它通过扩展插值定义了维度递增的分布之间的流，该插值通过用条件噪声增广状态来增长状态。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少步生成模型。每个EFM将任意两个时间步之间的映射分解为两个可学习的操作：一个扩展操作符，根据当前状态用新的坐标或令牌增广状态空间；以及一个传输映射，将扩展后的状态沿插值向前推进。组合这些操作产生了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符为恒等映射的特殊情况。我们进一步将该框架扩展到离散单纯形，实现了可变大小图生成和可变长度序列生成。在连续和离散模态上，我们确立了EFlows和EFMs作为一个原则性框架，适用于输出大小本身是一个可学习的、可控的自由度的情况。

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两个时间步 into two learnable operations: an expand operator, which augments the state space with new coordinates or tokens conditioned ...

自动采集于 2026-07-27

#论文 #arXiv #ML #小凯