Flow Matching for Fast Posterior Sampling in Bayesian Inverse Problems

📄 arXiv: 2610.02377v1 📥 PDF

作者: Jan Blechschmidt, Oliver G. Ernst, Moritz Poguntke, Björn Sprungk

分类: math.NA, cs.LG, stat.CO

发布日期: 2026-10-01

备注: 38 pages, 18 figures

💡 一句话要点

提出条件流匹配以加速贝叶斯逆问题的后验采样

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 贝叶斯逆问题 后验采样 条件流匹配 马尔可夫链蒙特卡洛 电阻抗成像 混合采样器 数值示例

📋 核心要点

  1. 现有的MCMC方法在贝叶斯逆问题中存在效率低下和样本相关性等问题，限制了其应用。
  2. 论文提出条件流匹配，通过训练一次的传输映射实现快速独立后验样本生成，显著提高了采样效率。
  3. 实验结果表明，该方法在电阻抗成像和无似然Lotka-Volterra模型中表现出色，验证了其准确性和摊销效果。

📝 摘要（中文）

在计算贝叶斯逆问题中，后验采样是核心任务。传统的马尔可夫链蒙特卡洛（MCMC）方法存在序列性、样本相关性及需为每次观测重新运行等缺陷。本文提出条件流匹配作为一种摊销替代方案，通过训练一次的传输映射，为任意观测提供独立的近似后验样本，且在线成本极低，无需新的似然评估。我们对基于偏微分方程的逆问题进行了细致的评估，推导出可计算的准确性估计，并提出了一种渐近精确的混合采样器。通过多个数值示例验证了准确性估计及摊销效果。

🔬 方法详解

问题定义：本文解决的是贝叶斯逆问题中的后验采样效率低下问题。传统的MCMC方法需要为每个观测重复运行，导致计算成本高且样本相关性强。

核心思路：提出条件流匹配作为一种新方法，通过训练一次的传输映射生成独立的近似后验样本，避免了重复计算和样本相关性的问题。

技术框架：整体流程包括：首先在参数和数据的联合样本上训练流模型，然后利用该模型为任意新观测生成后验样本，最后通过混合采样器进行渐近精确的采样。

关键创新：最重要的创新在于提出了条件流匹配方法，能够在不重新评估似然的情况下，快速生成独立的后验样本，与传统MCMC方法形成鲜明对比。

关键设计：在模型设计中，流的可计算密度用于推导准确性估计，损失函数和网络结构经过精心设计，以确保生成样本的质量和准确性。具体参数设置和网络架构在实验部分进行了详细说明。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，条件流匹配方法在电阻抗成像和无似然Lotka-Volterra模型中，后验样本生成速度显著提高，且样本的准确性估计与真实后验分布的总变差距离和Kullback-Leibler散度均表现良好，验证了方法的有效性。

🎯 应用场景

该研究的潜在应用领域包括医学成像、环境监测和工程逆问题等。通过提高后验采样的效率，能够在实际应用中实现更快速的决策支持，具有重要的实际价值和未来影响。

📄 摘要（原文）

Sampling from the posterior is the central task of computational Bayesian inverse problems. The standard workhorse in Bayesian inference - Markov chain Monte Carlo (MCMC) - is sequential, yields correlated samples, and must be rerun for each observation. Conditional flow matching offers an amortized alternative: a transport map, trained once on joint samples of parameter and data, that yields independent approximate posterior samples for any observation at negligible online cost, without new likelihood evaluations. We give a careful, MCMC-literate assessment of flow matching for PDE-based inverse problems with function-valued parameters. Exploiting the flow's tractable density, we derive computable accuracy estimates of the underlying approximate posterior in total-variation distance and Kullback-Leibler divergence and, moreover, propose a hybrid sampler that is asymptotically exact by Metropolization. We validate the accuracy estimates and demonstrate the amortization in several numerical examples, including electrical impedance tomography and a likelihood-free Lotka-Volterra model.