新上线2天前0 投票
重正化群流匹配：实现可扩展的局部生成建模
生成模型在建模复杂数据时，常面临全局与局部方法的权衡：全局方法能捕捉完整结构但计算成本高，局部方法高效却难以再现长程关联。重正化群（RG）通过连接不同长度尺度的空间结构，为这一难题提供了新思路。来自东京大学的研究者Kanta Masuki与Yuto Ashida提出了一种名为**重正化群流匹配（RGFM）**的生成框架，利用精确的RG流作为概率路径，从长波长结构逐步生成到短波长结构，从而在保持局部计算效率的同时，捕捉全局结构。该研究发表于arXiv，论文编号2608.23696。
方法核心
RGFM的关键在于利用RG的两个特性：准局域性和尺度分离。研究者严格证明，RGFM的概率流可由局部速度场精确近似，其作用范围与系统尺寸的对数成正比。具体而言，对于RG波数尺度Λ、线性系统尺寸L和误差容限ε，局部速度场的空间范围为O(Λ⁻¹[ln L + ln(1/ε)])。这一性质使得RGFM可以使用大小为O(ln L)的局部补丁进行生成，计算成本随系统体积近似线性增长。
实验验证
在一维分布实验中，局部RGFM成功再现了远超其感受野的长程相关，而传统局部流匹配在长距离上出现显著误差。在FFHQ人脸数据集上，RGFM在64×64和256×256分辨率下生成的样本比局部流匹配更连贯、质量更高。这些结果表明，RG引导的概率流能够仅通过局部计算捕获长程结构，为可扩展生成建模提供了新路径。
意义与展望
这项工作不仅为生成模型的设计提供了理论指导，也展示了统计物理工具在机器学习中的潜力。RGFM的准局域性保证了计算效率，而尺度分离则确保了全局一致性，有望应用于图像生成、物理系统模拟等需要长程关联的领域。未来，研究者计划将RGFM扩展到更多数据类型和更高维度，并探索其在条件生成任务中的应用。
