Flow Sampling: Campionamento Efficiente da Densità Non Normalizzate tramite Modelli di Diffusione

Flow Sampling introduce un approccio innovativo per il campionamento da densità non normalizzate sfruttando modelli di diffusione e flow matching. A differenza dei modelli di diffusione convenzionali che dipendono da campioni di dati, questa tecnica opera in un ambiente senza dati in cui la distribuzione target è caratterizzata da una funzione energetica nota. L'obiettivo di training si basa su un campione di rumore e si concentra sulla regressione verso un drift di diffusione denoising derivato dalla funzione energetica. Utilizzando il processo interpolante, Flow Sampling riduce la frequenza delle valutazioni della funzione energetica durante l'addestramento, migliorando l'efficienza e la scalabilità. Questo framework si applica anche a varietà riemanniane, facilitando il campionamento basato sulla diffusione in spazi curvi, affrontando così il problema delle costose valutazioni della funzione energetica prevalenti nel calcolo scientifico e nella fisica statistica.