A Long-Short Flow-Map Perspective for Drifting Models

📄 arXiv: 2602.20463v1 📥 PDF

作者: Zhiqi Li, Bo Zhu

分类: cs.LG

发布日期: 2026-02-24

备注: 25 pages, 7 figures

💡 一句话要点

提出基于长短流映射分解的漂移模型新视角，优化密度演化。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 漂移模型 流映射 密度演化 长短时程 似然学习

📋 核心要点

  1. 现有漂移模型在处理复杂数据分布和长时间序列时存在局限性，难以保证流映射的一致性。
  2. 将全局传输过程分解为长时程和短时终端流映射，利用闭式解优化短时映射，保证一致性。
  3. 通过理论分析和实验验证，该框架在密度演化和特征空间优化方面表现出良好的性能。

📝 摘要（中文）

本文通过半群一致的长短流映射分解，重新诠释了漂移模型。研究表明，全局传输过程可以分解为长时程流映射和短时终端流映射，后者允许闭式最优速度表示。将终端区间长度趋近于零，可以精确地恢复漂移场以及流映射一致性所需的保守脉冲项。基于此，我们提出了一种新的似然学习公式，该公式将长短流映射分解与传输下的密度演化对齐。通过理论分析和基准测试的实证评估验证了该框架，并进一步提供了特征空间优化的理论解释，同时强调了未来研究的几个开放问题。

🔬 方法详解

问题定义：论文旨在解决漂移模型在处理复杂数据分布和长时间序列时，难以保证流映射一致性的问题。现有方法可能无法有效地捕捉数据分布的动态变化，导致模型性能下降。

核心思路：论文的核心思路是将全局传输过程分解为长时程流映射和短时终端流映射。通过这种分解，可以利用闭式解来优化短时终端流映射，从而保证整体流映射的一致性。这种分解方式允许模型更好地适应数据分布的局部变化，提高模型的鲁棒性和准确性。

技术框架：该方法的技术框架包含以下几个主要步骤：1) 将全局传输过程分解为长时程流映射和短时终端流映射；2) 针对短时终端流映射，推导出闭式最优速度表示；3) 提出一种新的似然学习公式，将长短流映射分解与传输下的密度演化对齐；4) 通过优化该似然函数，学习模型的参数。

关键创新：该方法最重要的技术创新点在于长短流映射分解的思想，以及利用闭式解优化短时终端流映射的方法。与现有方法相比，该方法能够更好地保证流映射的一致性，并提高模型对数据分布动态变化的适应能力。

关键设计：论文的关键设计包括：1) 如何选择合适的长时程和短时终端流映射；2) 如何推导出短时终端流映射的闭式最优速度表示；3) 如何设计似然函数，以实现长短流映射分解与密度演化的对齐；4) 如何优化该似然函数，以学习模型的参数。具体的参数设置和网络结构等技术细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过基准测试验证了该框架的有效性。实验结果表明，该方法在密度演化和特征空间优化方面表现出良好的性能，能够有效地捕捉数据分布的动态变化。具体的性能数据和对比基线在论文中进行了详细描述。

🎯 应用场景

该研究成果可应用于计算机视觉、机器人学等领域，例如视频生成、运动预测、轨迹规划等。通过更精确地建模数据分布的动态变化，可以提高相关任务的性能和鲁棒性。此外，该方法还可以用于生成对抗网络（GANs）的训练，提高生成模型的质量和稳定性。

📄 摘要（原文）

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.