[論文レビュー] Flow Matching Transport for Quasi-Monte Carlo Integration

Z. Zeng, Jiaxuan Chen|arXiv (Cornell University)|Jan 3, 2026

Markov Chains and Monte Carlo Methods被引用数 0

ひとこと要約

本論文は Flow Matching を重要サンプリングと組み合わせることで、偏りのない高次の QMC 積分を実現する FM-ISQMC を提案する。Flow Matching の輸送を用いた収束解析を提供し、Flow Matching 輸送を用いると RMSE が O(N^{-1+ε})（任意の ε>0）となることを示す。

ABSTRACT

High-dimensional integration with respect to complex target measures remains a fundamental challenge in computational science. While Flow Matching (FM) offers a powerful paradigm for constructing continuous-time transport maps, its deployment in high-precision integration is severely limited by the discretization bias inherent to numerical ODE solvers and the lack of rigorous convergence guarantees when coupled with Quasi-Monte Carlo (QMC) methods. This paper addresses these critical gaps by proposing Flow Matching Importance Sampling Quasi-Monte Carlo (FM-ISQMC), a framework designed to transform biased generative flows into unbiased, high-order integration schemes. Methodologically, we construct a transport map by composing a logistic base transformation with an Euler-discretized neural ODE field and employ importance sampling to correct for residual transport errors. Our central contribution is twofold. First, we establish a general convergence analysis for QMC importance sampling with arbitrary transport maps, identifying sufficient growth conditions for the $\mathcal{O}(N^{-1+\varepsilon})$ root-mean-square error rate. Second, we rigorously prove that the specific transport architecture of Flow Matching satisfies these conditions. Consequently, we establish a $\mathcal{O}(N^{-1+\varepsilon})$ root-mean-square error for the unbiased FM-ISQMC estimator, extending classical QMC theory to the realm of generative models. Numerical experiments validate that FM-ISQMC consistently breaks through the error floor observed in direct transport methods, delivering superior precision. This work thus bridges the divide between deep generative modeling and numerical integration.

研究の動機と目的

• 複雑なターゲット測度を伴う高精度な高次元積分の動機づけ。
• QMC/RQMC を可能にする輸送写像ベースのフレームワークを開発。
• Flow Matching アーキテクチャと境界成長条件を結ぶ厳密な収束保証を提供。
• FM-ISQMC が偏りのない高次元 RMSE を達成し、直接輸送法より実験で優れることを示す。

提案手法

• ロジスティック基底変換と Euler 式離散化ニューラル ODE フローを合成して輸送写像を構築。
• 重要サンプリングを用いて残留輸送誤差を補正し、偏りのない推定量を得る。
• 任意の輸送写像に対する QMC 重要サンプリングの一般的な収束分析を確立。
• スクランブリングされたネットの RMSE を O(N^{-1+ε}) にする十分な成長条件（値の成長と導関数の成長）を導出。
• Flow Matching 輸送アーキテクチャがこれらの成長条件を満たすことを証明。

実験結果

リサーチクエスチョン

• RQ1 FM に用いられる輸送写像が最適な QMC 収束率を保持する条件は何か。
• RQ2 Value Growth および Derivative Growth 条件はニューラル ODE ベースの Flow Matching 輸送にどのように翻訳されるか。
• RQ3 FM 輸送が偏りのない FM-ISQMC 推定量を、証明可能な RMSE 速度で与えることを示せるか。
• RQ4 高次元ターゲットに対する QMC エラー境界に対する離散化と基底変換の影響は何か。

主な発見

• FM-ISQMC は Flow Matching 輸送と重要サンプリングを組み合わせることで Eπ[f(X)] の偏りのない推定量を得る。
• 一般的な収束分析は、スクランブリングされたネットの RMSE を O(N^{-1+ε}) にする十分な成長条件を特定する。
• FM 輸送アーキテクチャは有界ベクトル場と Euler 式離散化の下で要求される境界成長条件を満たす。
• 数値実験は FM-ISQMC が直接輸送法の誤差閾値を超え、 高精度な結果を達成することを示す。