超越条件坍缩：估计生成式代理模型的不依赖谱的信息界限
Estimating Spectrum-Free Information Bounds for Generative Surrogates Beyond Conditional Collapse
精选理由
提出超越边缘分布、避免条件坍塌的评估方法，量化条件信息可支持的预测水平，助力可靠比较生成模型。
AI 摘要
arXiv:2611.07826v1 公告类型：交叉收录 摘要：高能物理中的条件生成式代理模型，例如根据部分子预测重建喷注的模型，通常采用 $1\text{D}$ 边缘分布散度等指标进行评估。单独使用这些指标可能会使条件坍缩获得更高评价。在一个 CMS 模拟基准上，一个忽略条件输入的采样器，在全部四个目标的边缘分布上，无论按 KL 还是 Wasserstein-1 衡量，都优于经过训练的 Mixture Density Network (MDN)；而在其中两个目标上，它与 Conditional Flow Matching (CFM) 模型的表现无法得到稳定区分。因此，我们改用预报检验中的连续秩概率技巧评分（CRPSS）来评价模型，并以精确的边缘分布作为参考。我们展示了整体技巧如何依赖于评估谱，同时还报告了按条件变量分箱后的技巧评分，此时这种依赖性基本消失。随后，我们引入一种数据驱动的 $k$ 近邻（$k$-NN）外推方法，用于估计条件信息所允许达到的最佳 CRPS。两个模型在全部四个目标上的表现均与这一估计一致，这表明，至少从这些逐目标评分所能揭示的情况来看，当前架构已充分利用条件输入中可用的信息。