Skip to content
Hot eventLive

Counterfactual Generation via Flow Matching

1 reports1 sources3 hr ago updated

Get the story

AI overview

2026-10-02，arXiv Statistics Machine Learning 发表一手研究，提出基于流匹配的反事实生成方法，结合样本分割双重稳健训练目标与学习到的源-目标耦合，利用高斯平滑插值的得分校正随机采样器实现有限步生成。理论贡献为耦合敏感 KL 边界，误差由源-目标位移矩控制而非全局速度场正则性，对环境维度近线性依赖。实验在合成与半合成图像基准上验证耦合相关理论，并显示有限离散化预算下随机采样器可超越确定性 ODE 采样器。

Generated from reports · updated 3 hr ago

LatestOct 2
2026-10-02 论文上线 arXiv，提出流匹配反事实生成方法，理论给出耦合敏感 KL 边界，实验显示随机采样器在有限预算下优于确定性 ODE 采样器。

Timeline

Follow the coverage from different angles.

Oct 2, 2026
  1. arXiv · Statistics Machine Learning
    通过流匹配生成反事实结果：耦合敏感端到端速率

    论文提出一种基于流匹配的反事实生成方法，结合样本分割双重稳健训练目标与学习到的源-目标耦合，利用高斯平滑插值的得分校正随机采样器实现有限步生成。理论贡献在于耦合敏感KL边界，误差由源-目标位移矩控制而非全局速度场正则性，对环境维度近线性依赖。实验在合成与半合成图像基准上验证了耦合相关理论，并显示有限离散化预算下随机采样器可超越确定性ODE采样器。

Heat trend

There is not enough continuous observation data to draw a trend yet.