Seq-Flow：通过自滚动误差控制实现高效概率预测

arXiv:2610.10440v1 公告类型：新论文 摘要：许多科学预测任务需要随着新观测的到来，更新未来轨迹的概率分布。传统的扩散模型和流模型从高斯噪声出发生成每次预测，通常需要付出多次采样的代价。热启动方法通过复用先前的预测来降低这一成本，但其模型并未针对预测更新本身进行训练，这可能会损害少步采样时的预测质量。在本研究中，我们提出 Seq-Flow，这是一种条件流模型，其常微分方程（ODE）将样本从先前的预测分布传输到更新后的分布。由于相邻预测之间的差异通常较小，这种传输从包含有效信息的分布出发，仅需少量流函数求值即可实现准确更新。递归复用也带来了一个挑战：一次预测中的误差会转化为后续流的初始状态误差。我们通过自滚动训练来解决这一问题：使用模型的移动平均副本生成预测，并用这些预测初始化后续的训练更新。与将生成输出复用为条件上下文的自强制方法不同，Seq-Flow 将生成输出复用为下一个流的源分布。粒子加速器束流引出预测实验表明，在函数求值次数（NFE）较少的采样预算下，Seq-Flow 将连续排序概率评分（CRPS）降低了 65%，同时在流体动力学预测任务中保持了与强基线方法相当的竞争力。尽管训练时的自滚动序列最多仅包含四次更新，Seq-Flow 在连续更新超过 400 次后仍能保持准确。我们的代码已公开，地址为 https://github.com/Graph-COM/Seq-Flow。