ESS-Flow：将免训练引导视为源空间中的贝叶斯推断
ESS-Flow: Training-free guidance as Bayesian inference in source space
精选理由
提出无需训练和梯度的生成引导方法，可借助贝叶斯推断生成满足目标属性的材料、蛋白质与药物分子。
AI 摘要
arXiv:2510.05849v2 公告类型：替换 摘要：引导预训练的基于流的生成模型进行条件生成，或生成具有期望目标属性的样本，可以在无需使用配对数据重新训练的情况下解决多种任务。我们提出 ESS-Flow，这是一种无梯度方法，利用基于流的模型中源分布的高斯先验，通过椭圆切片采样直接在源空间中进行贝叶斯推断。ESS-Flow 仅需对生成模型和观测过程进行前向计算，因此即使在无法获得梯度的情况下也能适用，例如基于不可微仿真的观测，或生成过程中的量化操作。我们在多种科学应用中展示了其有效性，包括生成具有目标属性的材料、可设计性更高的蛋白质骨架结构，以及可合成的类药分子。