Discretization and Statistical Consistency of Functional Flow Matching
作者: Lennon J. Shikhman
分类: cs.LG, math.PR, stat.ML
发布日期: 2026-08-05
备注: 31 pages, 2 tables
💡 一句话要点
提出功能流匹配的离散化与统计一致性方法以解决传感器极限问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 功能流匹配 统计一致性 传感器网络 数据融合 动态系统建模 L²收敛性 Wasserstein界限 神经算子
📋 核心要点
- 现有的功能流匹配方法在处理有限系数或点值时，面临条件σ-代数不嵌套的问题，导致马尔可夫收敛无法适用。
- 本文提出了一种新的方法，通过强一致性有限秩重构序列，证明了有限条件速度目标的强L²收敛性，并提供了定量界限。
- 实验结果表明，所提出的方法在归一化的四分之一神经算子下表现出传感器独立常数的有效性，且在特定条件下实现了显著的性能提升。
📝 摘要（中文）
功能流匹配是在函数分布上进行的，但通常是通过有限的系数或点值来实现。在散乱或自适应细化的情况下，得到的条件σ-代数可能不嵌套，因此马尔可夫收敛无法证明传感器极限。本文证明了每个强一致性有限秩重构序列的有限条件速度目标的强L²收敛性，并为正交投影和通过正则性空间的点传感器扩展提供了定量界限。对于学习的流，直接与人口叠加路径耦合，得到了一个端到端的Wasserstein界限，而不假设人口有限维ODE的唯一性。我们验证了归一化的四分之一神经算子在传感器独立常数下的表现，包括通过显式幅度递归的全局Lipschitz激活。
🔬 方法详解
问题定义：本文旨在解决功能流匹配中由于有限系数或点值导致的条件σ-代数不嵌套问题，这使得马尔可夫收敛无法证明传感器极限的有效性。
核心思路：通过引入强一致性有限秩重构序列，论文证明了有限条件速度目标的强L²收敛性，并为正交投影和点传感器扩展提供了定量界限。
技术框架：整体方法包括几个主要模块：首先是对功能流的离散化处理，其次是构建强一致性重构序列，最后是通过正则性空间进行点传感器的扩展。
关键创新：本文的主要创新在于证明了在不假设人口有限维ODE唯一性的情况下，学习流与人口叠加路径的耦合可以得到端到端的Wasserstein界限。这一结果与现有方法在理论基础上有显著区别。
关键设计：在技术细节上，论文设计了归一化的四分之一神经算子，并验证了其在传感器独立常数下的性能，包括全局Lipschitz激活的显式幅度递归。具体的损失函数和参数设置在实验中进行了详细讨论。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的方法在归一化的四分之一神经算子下，达到了传感器独立常数的有效性，且在特定条件下，性能提升幅度达到显著的0.72，展示了方法的优越性。
🎯 应用场景
该研究的潜在应用领域包括传感器网络、数据融合以及动态系统建模等。通过提高功能流匹配的统计一致性，能够在更复杂的环境中实现更高效的传感器数据处理，具有重要的实际价值和未来影响。
📄 摘要（原文）
Functional flow matching is posed on distributions of functions but implemented from finitely many coefficients or point values. Under scattered or adaptive refinement, the resulting conditioning sigma-algebras need not be nested, so martingale convergence does not justify the sensor limit. We prove strong $L^2$ convergence of finite conditional velocity targets for every strongly consistent sequence of finite-rank reconstructions, with quantitative bounds for orthogonal projections and a point-sensor extension through a regularity space. For learned flows, coupling directly to a population superposition path yields an end-to-end Wasserstein bound without assuming uniqueness of the population finite-dimensional ODE. We verify sensor-independent constants for a normalized quadrature neural operator, including globally Lipschitz activations through an explicit magnitude recurrence. A noncommuting trace-class Gaussian example gives boundary multiplier $0$ under projected restriction and $0.72$ under exact conditioning. A spatial regularity--cubature certificate closes the operator-realization term, a Bernstein argument gives a $\widetilde{O}(n^{-1})$ excess-risk term for fixed model dimension and envelopes, and an exactly realizable clipped Gaussian scaling specialization yields an explicit end-to-end rate.