[论文解读] Constructive conditional normalizing flows

Borjan Geshkovski, Domènec Ruiz-Balet|arXiv (Cornell University)|Feb 9, 2026

Model Reduction and Neural Networks被引用 0

一句话总结

该论文提供明确、具建设性的方法，通过由分段常数感知器速度场驱动的连续性方程的流来近似微分同胚及其推动流向，主要有两项结果：一般的有限开关构造与更稀疏的开关概率方法，用于更平滑的映射。

ABSTRACT

Motivated by applications in conditional sampling, given a probability measure $μ$ and a diffeomorphism $ϕ$, we consider the problem of simultaneously approximating $ϕ$ and the pushforward $ϕ_{\#}μ$ by means of the flow of a continuity equation whose velocity field is a perceptron neural network with piecewise constant weights. We provide an explicit construction based on a polar-like decomposition of the Lagrange interpolant of $ϕ$. The latter involves a compressible component, given by the gradient of a particular convex function, which can be realized exactly, and an incompressible component, which -- after approximating via permutations -- can be implemented through shear flows intrinsic to the continuity equation. For more regular maps $ϕ$ -- such as the Knöthe-Rosenblatt rearrangement -- we provide an alternative, probabilistic construction inspired by the Maurey empirical method, in which the number of discontinuities in the weights doesn't scale inversely with the ambient dimension.

研究动机与目标

• 在需要从基密度近似传输映射及其推动流时，激励条件取样。
• 开发一种 constructive 方案，使目标微分同胚及其推动流在时间-T的连续性方程流中实现，速度由感知器构成。
• 提供映射的测度保持与可压缩分量的显式分解及流实现。
• 为更平滑的微分同胚提供一种概率替代方案，以降低开关复杂度，并讨论在条件采样场景中的适用性。

提出的方法

• 用带受控误差的分段仿射Lagrange内插量phi_epsilon近似目标微分同胚phi。
• 将phi_epsilon分解为极坐标风格因子化phi_epsilon = m2_epsilon ∘ grad(varphi_epsilon) ∘ m1_epsilon，其中m1_epsilon和m2_epsilon是测度保持的，grad(varphi_epsilon)是可压缩的一维坐标映射。
• 把可压缩因子恰好实现为带分段常数参数的神经ODE流的结果。
• 通过对任意测度保持映射用小立方体的置换近似并通过无散度交换流实现这些置换，来实现测度保持因子的实现。
• 证明L^p近似推出推动流在总变差（TV）上的稳定性控制，从而给出映射误差和推动测度误差的界。
• 给出受到Maurey经验方法启发的概率性构造，在有限开关数量N下实现近似，并在适当的Sobolev正则性假设（A_s(phi)有限）下得到误差随N的衰减率。

实验结果

研究问题

• RQ1 是否可以通过带分段常数感知器速度的连续性方程时间-T流来任意逼近给定微分同胚？
• RQ2 如何同时控制映射近似和推动流的总变差距离？
• RQ3 通过流实现测度保持分量与可压缩分量的开关复杂度要求是什么？
• RQ4 对于Knöthe–Rosenblatt重排等更平滑的映射，是否可以通过概率构造实现更优的开关数量尺度？
• RQ5 在D^s_0框架内，三角形或Knöthe–Rosenblatt类型的传输在有限作用A_s(phi)条件下能否实现？

主要发现

• 定理1.1表明，对任意C^1-微分同胚phi及适当密度，在一个矩形上的L^p内近似且推动流在总变差上接近的前提下，存在有限次切换的分段常数控制。
• 该构造将phi_epsilon分解为两个测度保持分量和一个可压缩的梯度分量，使可压缩部分能被精确实现流，而测度保持部分则通过基于置换的实现来完成。
• 一般结果中的开关次数至多按1/epsilon^d比率增长，这是对通过立方置换的 worst-case 近似的最坏情形所致。
• 定理1.2提供基于Maurey经验方法的概率性构造，在适当的Sobolev正则性假设（A_s(phi)有限）下，最多使用N个开关实现近似，误差衰减如N^(-1/2)。
• 命题1.4证明Knöthe–Rosenblatt与C^s正则性的三角映射属于D^s_0类别，且具有有限的A_s(phi)，因此可应用所提构造。
• 本文阐明L^p映射近似并不总是意味着推动流的TV距离很小，强调了可压缩分量在TV控制中的作用。