★ 2
ConicFlow：流匹配模型的约束推理时最优控制
论文提出 ConicFlow，将流匹配模型的约束采样建模为推理时最优控制问题，在偏离预训练轨迹与奖励之间权衡并满足硬终端约束。采用滚动时域原始-对偶算法，并给出有限时域次优性保证，实验显示其在高奖励与约束满足上优于近期基线。
arXiv cs.AI19 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出 ConicFlow，将流匹配模型的约束采样建模为推理时最优控制问题，在偏离预训练轨迹与奖励之间权衡并满足硬终端约束。采用滚动时域原始-对偶算法，并给出有限时域次优性保证，实验显示其在高奖励与约束满足上优于近期基线。
论文提出 MintFlow，一种免训练的约束采样框架，将约束施加建模为对预训练流轨迹的最小干预。通过伴随公式得到扰动的闭式解，避免昂贵的迭代优化，并自适应选择干预时机。在生成视觉与物理系统建模任务中，MintFlow 在满足约束的同时显著更好地保留预训练生成分布。