[论文解读] A Long-Short Flow-Map Perspective for Drifting Models

Zhiqi Li, Bo Zhu|arXiv (Cornell University)|Feb 24, 2026

Stochastic Gradient Optimization Techniques被引用 0

一句话总结

该论文通过半群一致的长短流映射分解重新解释漂移模型，推导出近端末速度的闭式解，并引入与传输密度演化对齐的似然学习表达式。

ABSTRACT

This paper provides a reinterpretation of the Drifting Model~\cite{deng2026generative} through a semigroup-consistent long-short flow-map factorization. We show that a global transport process can be decomposed into a long-horizon flow map followed by a short-time terminal flow map admitting a closed-form optimal velocity representation, and that taking the terminal interval length to zero recovers exactly the drifting field together with a conservative impulse term required for flow-map consistency. Based on this perspective, we propose a new likelihood learning formulation that aligns the long-short flow-map decomposition with density evolution under transport. We validate the framework through both theoretical analysis and empirical evaluations on benchmark tests, and further provide a theoretical interpretation of the feature-space optimization while highlighting several open problems for future study.

研究动机与目标

• 通过流映射与传输理论推动对漂移模型的理解。
• 提出全球传输映射的半群一致性长短流映射分解。
• 推导短端末映射的闭式最优速度，并将其与漂移和冲量项联系起来。
• 引入与传输下的密度演化对齐的似然学习表达式。
• 为所提出框架提供理论分析与实证验证。

提出的方法

• 将全局传输映射分解为 ψ_{0→1} = ψ_{1−Δt→1} ∘ ψ_{0→1−Δt}，利用流映射轨迹的一致性。
• 对短端末映射应用一阶向前欧拉近似，并为长映射推导数据驱动的监督信号。
• 推导二阶（梯形）近似以改进端步估计，获得平衡的吸引–排斥漂移。
• 对短区间使用闭式流匹配解以获得数据集绑定的监督并恢复漂移模型。
• 建立所导出损失（第一阶与第二阶）与漂移模型目标(V^{+})及(V^{+}-V^{-})之间的联系。
• 通过将欧拉-李克-Likelihood 变化与学习到的流映射和散度相关联，将其扩展为似然学习目标。

实验结果

研究问题

• RQ1 漂移模型如何通过长短流映射分解来推导？
• RQ2 短端末映射能为学习长映射提供哪些监督信号？
• RQ3 一阶与二阶端步近似与漂移模型中的拖曳与冲量项有何关系？
• RQ4 似然学习表达是否能与传输下的密度演化对齐，如何与流映射学习结合？
• RQ5 核函数选择与端点速度在理论与经验表现上扮演何种角色？

主要发现

• 一个与半群一致的长短流映射分解提供了漂移模型的原则性推导。
• 一阶与二阶端步近似再现了极限漂移模型中的漂移与冲量分量。
• 短端末映射通过闭式流匹配解为长映射提供数据集绑定的监督。
• 提出一个与密度演化对齐的似然学习形式，并引入二次核修改以增强一致性。
• 该框架为特征空间优化提供理论解释，并阐明漂移模型中的设计选择，在示例与基准测试中得到验证。