通过流匹配进行反事实生成：对耦合敏感的端到端收敛速率

arXiv:2610.01193v1 公告类型：新增 摘要：反事实生成旨在利用事实分配机制下收集的观测数据，对假设干预或决策下的结果进行采样。我们提出了一种流匹配方法，将样本分割的双重稳健训练目标与一种学习得到的耦合相结合，该耦合连接观测到的源结果和从拟合的条件结果模型中抽取的目标结果。为实现有限步生成，我们利用了一种基于高斯平滑插值、经过得分校正的随机采样器。我们的主要理论贡献是针对定步长欧拉离散化的耦合敏感型 KL 界：误差由所选耦合下源—目标位移的矩控制，而不是由速度场的全局一致正则性控制，并且对环境维度呈近线性依赖。我们还为学习得到的速度场和得分场建立了有限样本的非参数保证，其中条件结果模型和源—目标耦合均由数据估计得到。这些界分别刻画了近似误差、耦合替换误差、干扰项估计误差、泛化误差和蒙特卡洛误差；结合采样器分析后，可得到反事实生成的端到端保证。在合成图像和半合成图像基准上的实验支持了关于耦合依赖性的理论，并表明在有限离散化预算下，随机采样器的性能可以优于相应的确定性 ODE 采样器。