Simplex-to-Euclidean Bijections for Categorical Flow Matching
作者: Bernardo Williams, Victor M. Yeom-Song, Marcelo Hartmann, Arto Klami
分类: cs.LG
发布日期: 2026-02-28
💡 一句话要点
提出基于单纯形-欧几里得空间双射的分类流匹配方法，用于学习单纯形上的概率分布。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 单纯形 流匹配 Aitchison几何 双射 分类数据建模
📋 核心要点
- 现有方法在单纯形上建模概率分布时，常采用黎曼几何或自定义噪声过程，计算复杂且效果受限。
- 论文核心思想是利用Aitchison几何，通过平滑双射将单纯形映射到欧几里得空间，便于密度建模。
- 实验结果表明，该方法在合成数据和真实数据上均表现出竞争力，验证了其有效性。
📝 摘要（中文）
本文提出了一种用于学习和采样单纯形上概率分布的方法。该方法通过平滑双射将开放单纯形映射到欧几里得空间，利用Aitchison几何来定义映射，并通过狄利克雷插值对离散观测进行去量化，从而支持分类数据的建模。这使得能够在欧几里得空间中通过双射进行密度建模，同时仍然允许精确恢复原始离散分布。与之前使用黎曼几何或自定义噪声过程在单纯形上操作的方法相比，我们的方法在尊重Aitchison几何的同时在欧几里得空间中工作，并在合成和真实世界的数据集上实现了具有竞争力的性能。
🔬 方法详解
问题定义：论文旨在解决在单纯形上学习和采样概率分布的问题。现有方法，如基于黎曼几何或自定义噪声过程的方法，在处理单纯形上的概率分布时计算复杂度高，且可能引入额外的偏差，限制了模型的性能。特别是在处理分类数据时，如何将离散观测转换为连续表示，以便利用连续的概率模型进行建模是一个挑战。
核心思路：论文的核心思路是利用Aitchison几何，通过构建单纯形和欧几里得空间之间的平滑双射，将单纯形上的概率分布问题转换到欧几里得空间中进行处理。Aitchison几何提供了一种在单纯形上定义距离和几何结构的自然方式，而双射则保证了信息在两个空间之间的无损转换。
技术框架：整体框架包含以下几个主要步骤：1) 使用狄利克雷插值对离散的分类数据进行去量化，将其转换为连续的表示。2) 利用Aitchison几何构建从单纯形到欧几里得空间的平滑双射。3) 在欧几里得空间中使用流匹配模型学习概率分布。4) 通过逆双射将欧几里得空间中的样本映射回单纯形，从而获得单纯形上的样本。
关键创新：最重要的技术创新点在于构建了基于Aitchison几何的单纯形-欧几里得空间双射。这种双射不仅保证了两个空间之间的信息无损转换，而且使得能够在欧几里得空间中使用现有的成熟的概率模型（如流模型）进行密度建模，避免了直接在单纯形上进行复杂计算。与现有方法相比，该方法在计算效率和模型灵活性方面具有优势。
关键设计：关键设计包括：1) 狄利克雷插值的参数选择，用于控制去量化的平滑程度。2) 双射的具体形式，需要保证其平滑性和可逆性。3) 在欧几里得空间中使用的流匹配模型的选择和训练，例如可以使用连续归一化流（CNF）或随机微分方程（SDE）等。4) 损失函数的设计，需要考虑如何保证在欧几里得空间中学习到的分布能够准确地反映原始单纯形上的分布。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在合成数据集和真实数据集上均取得了具有竞争力的性能。具体来说，在分类数据建模任务中，该方法能够更准确地恢复原始离散分布，并且在密度估计方面优于现有的基于黎曼几何或自定义噪声过程的方法。论文提供了详细的实验设置和结果分析，验证了该方法的有效性和优越性。
🎯 应用场景
该研究成果可广泛应用于处理成分数据、比例数据或分类数据的建模问题，例如基因组学中的基因表达谱分析、生态学中的物种丰度分析、文本分析中的主题建模等。该方法能够更准确地捕捉数据中的潜在结构，提高预测和推断的准确性，并为相关领域的研究提供新的工具和视角。
📄 摘要（原文）
We propose a method for learning and sampling from probability distributions supported on the simplex. Our approach maps the open simplex to Euclidean space via smooth bijections, leveraging the Aitchison geometry to define the mappings, and supports modeling categorical data by a Dirichlet interpolation that dequantizes discrete observations into continuous ones. This enables density modeling in Euclidean space through the bijection while still allowing exact recovery of the original discrete distribution. Compared to previous methods that operate on the simplex using Riemannian geometry or custom noise processes, our approach works in Euclidean space while respecting the Aitchison geometry, and achieves competitive performance on both synthetic and real-world data sets.