Conditional Mean Flows

Conditional Mean Flows 加速了基于仿真的推理，实现了少步数密度评估

研究人员推出了一种新颖的基于仿真的推理方法——Conditional Mean Flows，该方法显著加快了密度评估和后验采样。该方法将少步数采样与可处理的密度评估相结合，解决了传统流匹配技术在神经后验估计中相关的计算成本问题。Conditional Mean Flows 实现了与多步流匹配相当的密度评估，但仅用一步即可完成，从而大幅缩短了马尔可夫链蒙特卡洛采样等应用的推理时间。