Conditional Probability Tree Estimation Analysis and Algorithms
IBM Research（IBM研究院）；Yahoo! Research（雅虎研究院）
我们考虑的问题估计的条件概率的标签在时间$O(\log n)$，其中$n$是可能的标签的数量。我们分析了一个自然减少这个问题的一组二进制回归问题组织在一个树结构，证明了遗憾的范围，规模与深度的树。基于这种分析，我们提出了第一个在线算法，该算法可证明地在标签集上构建对数深度树来解决这个问题。我们测试的算法经验，表明它成功地工作在一个数据集与大致$10^6$标签。
2009-06-03 cs.AI cs.LG
Conditional Unbalanced Optimal Transport Maps: An Outlier-Robust Framework for Conditional Generative Modeling
本文提出条件不平衡最优传输映射（CUOTM）框架，通过Csiszár散度惩罚放松条件分布匹配约束，以提高条件生成建模的鲁棒性，实验显示其在异常值鲁棒性和分布匹配性能方面优于现有方法。
2026-03-12 cs.CV cs.LG
Inverse Design for Conditional Distribution Matching
Department of Statistics and Data Science（统计与数据科学系）
本文提出条件分布匹配（CDM）作为生成模型中的新逆设计问题，通过MLGD-F算法实现高效条件分布匹配，适用于生成编辑优化和结构化图像变换。
2026-05-10 cs.LG stat.ML
CCMN: A General Framework for Learning with Class-Conditional Multi-Label Noise
College of Computer Science and Technology（计算机科学与技术学院）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
类条件噪声通常存在于机器学习任务中，其中类标签以取决于其基础事实的概率被破坏。为了提高模型对类条件噪声的鲁棒性，人们进行了大量的研究。然而，它们通常通过假设只有一个标签被损坏来关注单个标签的情况。在实际应用中，一个实例通常与多个标签相关联，这些标签可能会同时损坏其各自的条件概率。在本文中，我们形式化这个问题作为一个通用的框架学习类条件多标签噪声（CCMN）。我们建立了两个求解CCMN问题的具有误差界的无偏估计，并进一步证明了它们与常用的多标号损失函数是一致的。最后，在CCMN框架下，利用无偏估计器实现了一种新的部分多标记学习方法。在多个数据集和多种评价指标上的实证研究验证了该方法的有效性。
2021-05-16 cs.LG stat.ML
Transfer Learning Through Conditional Quantile Matching
通过条件分位数匹配进行迁移学习，利用异质源域提升数据稀缺目标域的预测性能。
2026-11-03 cs.LG stat.ML
Coreset-Induced Conditional Velocity Flow Matching
Department of Statistics, Purdue University（普渡大学统计学系）
本文提出了一种生成模型CCVFM，通过数据驱动的源分布增强层次化修正流，利用Coreset压缩目标数据并生成高斯混合分布，从而在无需学习神经采样器的情况下实现条件速度律的闭式表达，并通过轻量级修正流进一步优化生成效果。
2026-11-09 cs.LG stat.ML
Conditional flow matching for physics-constrained inverse problems with finite training data
Optimization and Uncertainty Quantification, Sandia National Laboratories（桑迪亚国家实验室优化与不确定性量化）
本文提出条件流匹配框架解决物理约束贝叶斯反问题，通过神经网络学习概率流微分方程的流速场，有效处理非线性、高维及非可导前向模型，验证了早停策略缓解过拟合的效果。
2026-04-08 cs.LG stat.ML
Autoregressive Score Matching
Stanford University（斯坦福大学）
自回归模型使用链式规则将联合概率分布定义为条件的乘积。这些条件需要规范化，对可以使用的函数族施加约束。为了增加灵活性，我们提出了自回归条件得分模型（AR-CSM），在该模型中，我们根据单变量对数条件（得分）的导数对联合分布进行参数化，而无需进行归一化。为了训练AR-CSM，我们引入了一种新的分布之间的分歧，称为复合得分匹配（CSM）。对于AR-CSM模型，数据和模型分布之间的这种差异可以有效地计算和优化，不需要昂贵的采样或对抗训练。与以往的分数匹配算法相比，我们的方法是更可扩展的高维数据和更稳定的优化。我们用大量的实验结果表明，它可以应用于合成数据的密度估计，图像生成，图像去噪，和隐式编码器训练潜变量模型。
2020-10-24 cs.LG stat.ML
Reusable Conditional Resampling via Flow Matching for Constraint-Based Causal Discovery
Graduate University of Advanced Studies（高级研究大学）；The Institute of Statistical Mathematics（统计数学研究所）；East China Normal University（华东师范大学）
本文提出FMCIT方法，通过流匹配技术加速条件独立性检验，结合两阶段引导PC骨架学习框架，提升因果发现的效率与准确性。
2026-11-10 cs.LG stat.ML
Denoising Likelihood Score Matching for Conditional Score-based Data Generation
National Tsing Hua University（国立清华大学）；Mediatek Inc.（联发科股份有限公司）
许多现有的基于条件分数的数据生成方法利用贝叶斯定理将对数后验密度的梯度分解为分数的混合。这些方法有助于条件得分模型的训练过程，因为可以使用得分模型和分类器分别估计得分的混合。然而，我们的分析表明，这些方法中的分类器的训练目标可能会导致严重的分数失配问题，这对应于估计分数偏离真实分数的情况。这样的问题导致样本在扩散过程中被偏离的分数误导，导致采样质量下降。为了解决这个问题，我们制定了一个新的训练目标，称为去噪似然分数匹配（DLSM）损失，分类器匹配的梯度的真实对数似然密度。我们的实验证据表明，所提出的方法优于以前的方法Cifar-10和Cifar-100基准显着的几个关键的评估指标。因此，我们可以得出结论，通过采用DLSM，条件分数可以准确地建模，并减轻分数不匹配问题的影响。
2022-03-27 cs.LG stat.ML
Semi-Supervised Conditional Diffusion via Label Augmentation
Department of Applied Mathematics, The Hong Kong Polytechnic University（应用数学系，香港理工大学）；School of Statistics and Data Science, Nankai University（统计与数据科学学院，南开大学）；School of Statistics, East China Normal University（统计学院，华东师范大学）；Department of Data Science and AI, The Hong Kong Polytechnic University（数据科学与人工智能系，香港理工大学）
研究如何利用未标记数据改进条件扩散模型，提出标签增强条件扩散方法（LACD），通过给未标记数据赋平凡标签并联合去噪，在理论上保证可识别性和收敛速度，实验证明该方法在样本效率和生成性能上优于纯监督估计器。
2026-07-21 cs.LG stat.ML
Classification with unknown class-conditional label noise on non-compact feature spaces
University of Birmingham（伯明翰大学）
我们研究了存在未知类条件标签噪声的分类问题，其中学习者观察到的标签已被损坏，具有一些未知的类相关概率。为了获得有限的采样率，以前的分类方法与未知的类条件标签噪声要求的回归函数是接近其极值集的大措施。我们将在非紧度量空间中考虑这个问题，其中回归函数不需要达到它的极值。在这种情况下，我们确定最小最大最优学习率（直到对数因子）。速率显示有趣的阈值行为：当回归函数以足够的速率接近其极值时，最佳学习速率与在无标签噪声设置中获得的学习速率具有相同的顺序。如果回归函数更逐渐地接近其极值，则分类性能必然降低。此外，我们提出了一种自适应算法，达到这些速率没有先验知识的分布参数或局部密度。这是第一次识别出在标签噪声设置中可以实现有限采样率的情况，但它们不同于没有标签噪声的最佳速率。
2019-06-09 cs.LG stat.ML
GM-PLL: Graph Matching based Partial Label Learning
School of Computer and Information Technology, Beijing Jiaotong University（北京交通大学计算机与信息技术学院）
部分标签学习（PLL）的目的是从数据中学习，其中每个训练样本与一组候选标签相关联，其中只有一个是正确的。解决这一问题的关键是对候选标签集进行消歧，并获得实例与其候选标签之间的正确赋值。在本文中，我们解释这样的任务作为实例到标签匹配，并重新制定的PLL的任务作为一个匹配选择问题。为了模拟这样的问题，我们提出了一种新的基于图匹配的部分标签学习（GM-PLL）框架，其中图匹配（GM）计划，由于其出色的能力，利用实例和标签关系。同时，由于传统的一对一GM算法不能满足PLL问题中多个实例对应同一标签的约束，我们将传统的一对一概率匹配算法扩展到多对一约束，使该框架适应PLL问题。此外，我们还提出了一个宽松的匹配预测模型，它可以通过GM策略提高预测精度。人工和真实世界的数据集上的大量实验表明，该方法可以实现优越的性能或与最先进的方法相比。
2019-01-10 cs.LG stat.ML
Regularized Minimax Conditional Entropy for Crowdsourcing
Microsoft Research（微软研究院）；University of California at Irvine（加州大学欧文分校）；University of California at Berkeley（加州大学伯克利分校）
有一个快速增长的兴趣众包数据标签。通过众包，通常可以以低成本快速收集大量标签。然而，众包工作人员提供的标签通常质量不高。在本文中，我们提出了一个最小最大条件熵原则，从嘈杂的众包标签推断地面真相。在这一原则下，我们得到了一个独特的概率标记模型联合工人的能力和项目难度参数。我们还提出了一个客观的测量原则，并表明我们的方法是唯一的方法，满足这一客观测量原则。我们验证我们的方法，通过各种真正的众包数据集与二进制，多类或序数标签。
2015-03-25 cs.LG stat.ML
Robust conditional GANs under missing or uncertain labels
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Washington, Seattle（西雅图华盛顿大学）；Amazon（亚马逊）
在几乎没有监督的情况下匹配条件生成对抗网络的性能是一项重要的任务，特别是在冒险进入新领域时。我们设计了一种新的训练算法，该算法对丢失或模糊标签具有鲁棒性。其主要思想是故意破坏生成的示例的标签，以匹配真实数据的统计数据，并使用已损坏的标签处理真实和生成的示例。我们展示了这种方法的鲁棒性在理论上和经验。我们表明，最大限度地减少拟议的损失相当于最大限度地减少真实和生成的数据之间的真实分歧的乘法因子，并将此乘法因子的特征作为不确定标签的统计量的函数。在MNIST数据集上的实验表明，即使每个类只有几个示例，所提出的体系结构也能够在生成忠实于类的示例方面实现高准确度。
2019-06-09 cs.LG stat.ML
Conditional Flow Matching for Bayesian Posterior Inference
University of Chicago, Booth School of Business（芝加哥大学布斯商学院）
本文提出一种基于流匹配的生成多变量后验采样器，通过动态块三角速度场实现后验推断，无需Likelihood评估，且能高效生成贝叶斯可信集。
2026-04-01 cs.LG stat.ML
An Integrated, Conditional Model of Information Extraction and Coreference with Applications to Citation Matching
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；The MITRE Corporation（MITRE公司）
尽管信息抽取和共指消解在许多应用中一起出现，但大多数当前系统将它们作为独立的步骤来执行。提出了一种基于条件训练无向图模型的抽取和共指综合推理方法。我们讨论了条件概率训练的优点，以及基于图划分的共指模型结构。在一个研究论文引文数据集上，我们通过使用提取不确定性来提高共指引用匹配的准确性，并使用共指来提高提取字段的准确性，从而显着减少了错误。
2012-07-11 cs.DL cs.IR cs.LG
S2cGAN: Semi-Supervised Training of Conditional GANs with Fewer Labels
Microsoft Research India（微软印度研究院）
生成对抗网络（GANs）在学习复杂的高维实数分布和生成真实样本方面非常成功。但是，它们对生成过程的控制有限。条件GANs（cGANs）提供了一种通过根据用户定义的输入调节输出来控制生成过程的机制。虽然训练GANs只需要无监督的数据，但训练cGANs需要标记的数据，这可能非常昂贵。我们提出了一个cGAN的半监督训练框架，它利用稀疏标签来学习条件映射，同时利用大量的无监督数据来学习无条件分布。我们证明了我们的方法在多个数据集和不同的条件任务的有效性。
2020-10-23 cs.CV cs.LG stat.ML
Causal Adversarial Network for Learning Conditional and Interventional Distributions
Arizona State University（亚利桑那州立大学）；Army Research Lab（陆军研究实验室）
我们提出了一个生成式因果对抗网络（CAN），用于从条件和干预分布中学习和采样。与需要给出因果图的现有CauseGAN相比，我们提出的框架从数据中学习因果关系并相应地生成样本。建议的CAN包括一个双重的过程，即标签生成网络（LGN）和条件图像生成网络（CIGN）。LGN是一种基于GAN的架构，它通过标签从因果模型中学习和采样。然后将采样的标签馈送到CIGN，CIGN是一种条件GAN架构，它学习标签和像素以及像素本身之间的关系，并基于它们生成样本。该框架配备了干预机制，可以实现。该模型用于从介入分布生成样本。我们定量和定性地评估CAN的性能，并根据经验表明，我们的模型能够生成干预性和条件性样本，而无需访问CelebA数据上人脸生成应用的因果图。
2020-09-21 cs.LG stat.ML
Enhancing Stability in Training Conditional Generative Adversarial Networks via Selective Data Matching
Pusan National University（釜山大学）；NHN Cloud（NHN云）；Sogang University（西江大学）
本文提出选择性聚焦学习，通过按判别器条件项得分选择样本，仅对高分样本应用条件匹配，其余用联合匹配，在多个数据集上显著提升cGAN训练稳定性（FID最高改善35.18%）。
2024-09-19 cs.AI cs.LG
Modeling Stochastic Conditional Dynamics from Sparse Observations via Kernel-Stabilized Flow Matching
Georgia Institute of Technology（佐治亚理工学院）；Sandia National Laboratories（桑地亚国家实验室）
提出条件变量流匹配（CVFM）框架，通过联合采样状态和条件变量流，利用条件不匹配核和Wasserstein距离重加权目标，从稀疏非配对数据中学习条件分布的时间演化，在材料结构建模中表现更优。
2026-06-06 cs.LG
Moment-Matching Graph-Networks for Causal Inference
在本文中，我们探索了一个完全无监督的深度学习框架，用于从观测训练数据中模拟非线性结构方程模型。本文的主要贡献是将矩匹配损失函数应用于因果贝叶斯图的边缘，从而生成条件矩匹配图神经网络。因此，该框架使得能够对各种图形干预的潜在空间条件概率分布进行自动采样，并且能够生成样本外干预概率，该样本外干预概率通常忠实于远超出训练集中包含的范围的地面实况分布。这些方法原则上可以与任何现有的自动编码器结合使用，该自动编码器产生包含因果图结构的潜在空间表示。
2020-07-27 cs.LG stat.ML
A generalized approach to label shift: the Conditional Probability Shift Model
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）；Faculty of Mathematics and Information Science, Warsaw University of Technology（华沙理工大学数学与信息科学学院）
本文提出条件概率偏移（CPS）设定以解决现有协变量偏移和标签偏移无法涵盖的分布偏移问题，并基于多项回归和期望最大化算法构建通用模型CPSM，实验证明其在条件分布偏移场景下优于现有方法。
2025-03-04 cs.LG stat.ML
Generative-Discriminative Complementary Learning
University of Pittsburgh（匹兹堡大学）；The University of Melbourne（墨尔本大学）；The University of Sydney（悉尼大学）；Carnegie Mellon University（卡内基梅隆大学）
大多数最先进的深度学习方法都是判别式方法，它们对给定输入特征的标签的条件分布进行建模。这种方法的成功在很大程度上取决于高质量的标记实例，这是不容易获得的，特别是随着候选类的数量增加。本文研究了互补学习问题。与普通标签不同，互补标签很容易获得，因为注释器只需要为每个实例随机选择一个候选类提供一个是/否的答案。我们提出了一种生成-判别互补学习方法，该方法通过对条件（判别）和实例（生成）分布进行建模来估计普通标签。我们的方法，我们称之为互补条件GAN（CC GAN），提高了预测普通标签的准确性，并可以生成高质量的实例，尽管监管不力。除了大量的实证研究，我们还从理论上证明了我们的模型可以从互补标记的数据中恢复真实的条件分布。
2019-09-11 cs.LG stat.ML
Distillation of Discrete Diffusion by Exact Conditional Distribution Matching
Google（谷歌）
本文提出了一种基于条件分布匹配的蒸馏方法，用于加速离散扩散模型的推断过程，通过匹配教师和学生模型的条件分布来提高效率。
2025-12-15 cs.LG
Diversifying Reply Suggestions using a Matching-Conditional Variational Autoencoder
Microsoft Search, Assistance and Intelligence（微软搜索、辅助与智能部门（Microsoft Search, Assistance and Intelligence））
我们认为，多样化的自动回复建议的商业即时消息（IM）系统（Skype）的问题。我们的会话模型是一个标准的匹配为基础的信息检索架构，它由两个并行的编码器到项目的消息和答复到一个共同的特征表示。在推理过程中，我们使用特征空间中的最近邻居从固定的响应集中选择响应。为了使响应多样化，我们将模型制定为具有条件变分自动编码器（M-CVAE）的生成潜变量模型。我们提出了一个约束抽样的方法，使变分推理M-CVAE有效的生产系统。在离线实验中，M-CVAE始终将多样性增加约30-40%，而对相关性没有显著影响。这意味着我们的在线制作系统的点击率增加了5%。
2019-03-25 cs.AI cs.CL cs.LG
GeoCFM: Positive-Only Conditional Flow Matching for Mineral Occurrence Sampling
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；University of British Columbia（不列颠哥伦比亚大学）
针对矿产发现中仅正例的稀疏监督问题，提出条件流匹配模型GeoCFM，学习赋存位置的条件分布，在合成与真实数据上优于基线并表征不确定性。
2026-09-29 cs.LG
Robustness of Conditional GANs to Noisy Labels
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）
我们研究了从噪声标记样本中学习条件生成器的问题，其中标签被随机噪声破坏。条件GANs的标准训练不仅会产生带有错误标签的样本，还会产生质量差的样本。我们考虑两种情况，这取决于噪声模型是否已知。当噪声的分布是已知的，我们引入了一种新的架构，我们称之为鲁棒条件GAN（RCGAN）。其主要思想是在将生成的样本馈送到对抗性的机器人之前破坏样本的标签，迫使生成器生成具有干净标签的样本。通过RCGAN的损失与干净的真实分布和生成器分布之间的距离之间的相应乘法近似界限，证明了通过匹配的噪声信道的这种方法是合理的。这表明，所提出的方法是鲁棒的，当使用精心选择的架构，称为投影矩阵。当噪声的分布未知时，我们提供了我们的架构的扩展，我们称之为RCGAN-U，它在训练生成器的同时学习噪声模型。我们在MNIST和CIFAR-10数据集上的实验表明，这两种方法在基线方法上都有持续的改进，RCGAN-U与RCGAN的性能非常匹配。
2018-11-08 cs.AI cs.LG stat.ML
Map Matching based on Conditional Random Fields and Route Preference Mining for Uncertain Trajectories
Beijing University of Posts and Telecommunications（北京邮电大学）；Tsinghua University（清华大学）
为提高低采样率GPS离线地图匹配精度，提出了一种基于条件随机场（CRF）和路径偏好挖掘的地图匹配算法。该算法将道路偏移距离和采样点之间的时空关系作为CRF模型中GPS轨迹的特征，可以灵活地将上下文信息融入特征中。当采样率太低时，难以保证使用CRF中建模的时空上下文的有效性，并且驾驶员的路线偏好被用作要叠加在时空过渡特征上的补充。实验结果表明，该方法可以提高匹配的准确率，尤其是在低采样率的情况下。
2014-11-12 cs.LG cs.NI
MPCC: Matching Priors and Conditionals for Clustering
Universidad de Chile（智利大学）；Millennium Institute of Astrophysics（千禧天体物理研究所）；Universidad Austral de Chile（智利南方大学）；Harvard University（哈佛大学）
聚类是无监督学习中的一项基本任务，它在很大程度上取决于所使用的数据表示。深度生成模型已经成为学习信息丰富的低维数据表示的一种有前途的工具。我们提出了用于聚类的匹配先验和条件（MPCC），这是一种基于GAN的模型，具有从数据中推断潜在变量和聚类类别的编码器，以及从条件潜在空间生成样本的灵活解码器。通过MPCC，我们证明了深度生成模型在聚类任务中可以与区别性方法竞争/优于各种基准数据集上的最新技术。我们的实验表明，添加可学习的先验知识并增加编码器更新的数量可以提高生成样本的质量，获得9.49 $\pm$ 0.15的初始得分，并在CIFAR 10中将Fréchet初始距离提高了46.9%。
2020-08-21 cs.LG
Clustered Graph Matching for Label Recovery and Graph Classification
University of Maryland（马里兰大学）；Texas A&M University（得克萨斯农工大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
给定一个顶点对齐的网络和一个额外的标签洗牌网络的集合，我们提出了利用顶点对齐的集合中的信号来恢复洗牌网络的标签的过程。我们考虑将混洗网络与不同粒度级别的顶点对齐集合中的网络平均值进行匹配。我们在理论和实践中证明，如果图来自不同的网络类，然后聚类网络到类，然后匹配新的图集群平均可以产生更高的保真度匹配性能比匹配到全局平均图。此外，通过最小化关于每个聚类平均值的图匹配目标函数，该方法同时分类和恢复洗牌图的顶点标签。这些理论的发展进一步加强通过一个启发性的真实数据实验匹配人类连接体。
2023-03-29 cs.LG stat.ME stat.ML
Bridging the Physics-Data Gap with FNO-Guided Conditional Flow Matching: Designing Inductive Bias through Hierarchical Physical Constraints
Kyushu Institute of Technology Department of Artificial Intelligence（九州工业大学人工智能系）
提出分层物理约束与FNO引导的条件流匹配框架，嵌入物理定律层级，提升时间序列生成的物理一致性和预测性能。
2025-10-09 cs.LG
Conditional Wasserstein Distances with Applications in Bayesian OT Flow Matching
Technical University of Berlin（柏林技术大学）
本文提出条件Wasserstein距离，推导其理论性质与流常微分方程，并通过松弛该距离扩展OT流匹配方法，用于求解贝叶斯逆问题，在逆问题和类别条件图像生成中验证了数值优势。
2025-08-27 cs.LG math.OC
Game-Theoretic Algorithms for Conditional Moment Matching
Carnegie Mellon University（卡内基梅隆大学）；Aurora Innovation（极光创新公司）
计量经济学和机器学习中的各种问题，包括工具变量回归和贝尔曼残差最小化，都可以表示为满足一组条件矩约束（CMR）。我们推导出一个一般的，博弈论的策略，满足CMR规模的非线性问题，是服从于基于梯度的优化，并能够占有限样本的不确定性。我们恢复Dikkala等人的方法。和Dai等人。在详细说明各种扩展以及如何有效地解决CMR定义的游戏之前，作为我们的一般框架的特殊情况。
2022-08-19 cs.GT cs.LG
Estimating Conditional Covariance between labels for Multilabel Data
School of Computer, Data and Mathematical Sciences（计算机、数据与数学科学学院）；Western Sydney University（西澳大学）
本文比较三种模型估计多标签条件协方差，发现多元Probit错误率最低，但所有模型在恒定协方差数据中误检依赖协方差。
2025-08-26 cs.LG
Continuous Conditional Generative Adversarial Networks: Novel Empirical Losses and Label Input Mechanisms
University of British Columbia（不列颠哥伦比亚大学）
本文提出连续条件生成对抗网络CcGAN，通过重构经验损失并提出朴素与改进标签输入方法，解决以连续回归标签为条件的图像生成问题，并在多个数据集上显著优于现有cGAN。
2023-10-30 cs.CV cs.LG stat.ML
Learning $ω$-Powered Conditional Distributions with Importance-Weighted Flow Matching
University of Geneva（日内瓦大学）；HES-SO/HEG Genéve（HES-SO/HEG日内瓦（瑞士应用科学与艺术大学/日内瓦高等经济学院））；Google Deepmind（谷歌DeepMind）；Apple（苹果公司）
该研究提出重要性加权条件流匹配（IW-CFM），可显式学习ω驱动的条件分布，在合成数据和ImageNet上均表现优于传统CFG，为相关分布的研究与近似提供了实用方法。
2026-10-14 cs.CV cs.LG
FlowMotion: Target-Predictive Conditional Flow Matching for Jitter-Reduced Text-Driven Human Motion Generation
Universidade Federal do ABC（巴西ABC联邦大学）
本文提出FlowMotion方法，通过在条件流匹配中引入更准确预测目标运动的训练目标，实现高保真、时间平滑且快速合成的文本驱动3D人体运动生成，在KIT和HumanML3D数据集上达到先进的抖动和FID性能。
2025-04-25 cs.GR cs.LG
Metriplectic Conditional Flow Matching for Dissipative Dynamics
Rochester Institute of Technology, Rochester, NY, USA（罗切斯特理工学院）；Automatic Control Laboratory, ETH Zürich, Switzerland（自动控制实验室）
提出度量辛条件流匹配（MCFM）方法，通过将保守-耗散分解融入向量场和结构保持采样器，学习耗散动力学，保证能量单调递减和长期稳定性。
2026-06-12 cs.LG cs.SY eess.SY
Conditional Quantum Flow Matching for Data-Scarce Physiological Signal Augmentation
Harvard Medical School（哈佛医学院）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）；Brookhaven National Laboratory（布鲁克海文国家实验室）
提出首个条件量子流匹配模型，用306参数电路结合类条件先验生成EEG数据，在BCI数据集上比QuDDPM提升5.1%准确率，并验证先验转移的有效性。
2026-09-15 cs.LG cs.MM quant-ph
Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting
School of Computation, Information and Technology, Technical University of Munich（计算、信息与技术学院，慕尼黑技术大学）；Munich Data Science Institute（慕尼黑数据科学研究所）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文提出 TSFlow 条件流匹配模型，利用高斯过程、最优传输路径和数据依赖先验缩小先验与时间序列数据分布差异，并通过条件先验采样支持概率预测。
2025-05-11 cs.AI cs.LG stat.ML
Marginal Replay vs Conditional Replay for Continual Learning
ENSTA ParisTech（巴黎高等先进技术学院）；INRIA（法国国家信息与自动化研究所）；Thales（泰雷兹集团）；Fulda University of Applied Sciences（富尔达应用科学大学）
我们提出了一种新的基于重放的连续分类学习方法，我们称之为“条件重放”，它通过从以类为条件的分布中采样来生成样本和标签。我们将条件重放与另一种基于重放的持续学习范式（我们称之为“边际重放”）进行比较，后者独立于其类生成样本，并在单独的步骤中分配标签。条件重放的主要改进是不需要推断生成样本的标签，这减少了复杂的连续分类学习任务中的错误容限。我们证明了这种方法的有效性，使用新的和标准的基准构建从MNIST和FashionMNIST数据，并比较正则化为基础的\textit{elastic weight consolidation}（EWC）的方法。
2019-07-01 cs.AI cs.LG stat.ML
Marginal Matching Does Not License Factorized Sampling: Auditing Conditional Style Leakage in Factorized Generative Models
该研究指出因子化生成模型中仅匹配潜在风格的边际分布无法保证其与类别信息独立，通过实验证实存在风格泄漏，并提出相关缓解策略及验证方法。
2026-08-07 cs.AI cs.LG stat.ML
EquiFlow: Equivariant Conditional Flow Matching with Optimal Transport for 3D Molecular Conformation Prediction
Zhejiang University of Technology（浙江工业大学）；HIM, Chinese Academy of Sciences（中国科学院杭州医学研究所）；University of Chinese Academy of Sciences（中国科学院大学）
EquiFlow提出等变条件流匹配模型，结合最优传输与改进Equiformer，实现快速训练和推理，在QM9上超越现有方法。
2024-12-15 cs.LG physics.chem-ph q-bio.BM
Factored Latent-Dynamic Conditional Random Fields for Single and Multi-label Sequence Modeling
School of Electrical and Electronic Engineering（电气与电子工程学院）；Nanyang Technological University（南洋理工大学）
条件随机场（CRF）经常用于标记和分割序列数据。Mohammed等人（2007）在标记的CRF结构中引入了隐藏的状态变量，以便对类别标签中的潜在动态进行建模，从而提高标记性能。这种模型被称为潜在动态CRF（LDCRF）。我们提出了因子LDCRF（FLDCRF），一种结构，允许多个潜在的动态类标签相互作用。包括这样的潜在的动态相互作用导致单标签和多标签序列建模任务的标签性能的改善。我们将我们的FLDCRF模型应用于两个不同数据集的两个单标签（一个嵌套交叉验证）和一个多标签序列标记（嵌套交叉验证）实验- UCI手势相位数据和UCI机会数据。FLDCRF优于所有最先进的序列模型，即，CRF，LDCRF，LSTM，LSTM-CRF，析因CRF，耦合CRF和多标签LSTM模型。此外，基于LSTM的模型在验证数据和测试数据之间表现出不一致的性能，并且在我们的实验期间很难根据验证数据选择模型。FLDCRF提供了更简单的模型选择，验证和测试性能的一致性以及清晰的模型直觉。与LSTM相比，FLDCRF的训练速度也快得多，即使没有GPU。FLDCRF在UCI手势相位数据的单标签任务中比最佳LSTM模型突出约4%，在UCI机会数据的多标签序列标记实验中，在嵌套交叉验证测试集上平均比LSTM性能高约2%。FLDCRF的思想可以扩展到联合（多智能体交互）和异构（离散和连续）状态空间模型。
2019-11-12 cs.LG eess.SP stat.ML
Joint Flow Matching: Consistent Generative and Discriminative Inference from a Shared Flow
研究提出联合流匹配（JFM）训练框架，解决标准流匹配在条件推理上的问题，通过为变量分配相反角色产生一致联合分布，用于联合分类和生成，在条件数据集验证，有竞争力准确率且无需事后校准，能生成与分类器一致的图像。
2026-10-30 cs.LG
Noise tolerance of learning to rank under class-conditional label noise
通常，用于训练排名模型的数据受到标签噪声的影响。例如，在网络搜索中，从点击流数据创建的标签由于诸如SERP上的项目描述中的信息不足、用户的查询重构以及不稳定或意外的用户行为等问题而具有噪声。在实践中，如果不对标签生成过程做出强有力的假设，就很难处理标签噪声。因此，从业者通常直接在这些噪声数据上训练他们的学习排名（LtR）模型，而不额外考虑标签噪声。令人惊讶的是，我们经常看到以这种方式训练的LtR模型表现出色。在这项工作中，我们描述了一类噪声容忍LtR损失的经验风险最小化是一个一致的程序，即使在类条件标签噪声的背景下。我们还开发了常用的损失函数的噪声容忍模拟。实验结果进一步支持了我们的理论研究结果的实际意义。
2022-08-17 cs.IR cs.LG
Flowing Straighter with Conditional Flow Matching for Accurate Speech Enhancement
本文研究概率路径直度对生成式语音增强的影响，提出独立 conditional flow matching 建模直路径，并通过单步预测式推理保持质量与效率。
2025-08-28 cs.AI cs.LG cs.SD
Generative Design of Ship Propellers using Conditional Flow Matching
math.tu-berlin.de（柏林技术大学数学系）
本文提出利用条件流匹配生成船舶螺旋桨设计，通过生成式人工智能实现性能目标的高效设计，展示了其在工程设计中的应用价值和潜力。
2026-01-29 cs.LG
CASUAL: Conditional Support Alignment for Domain Adaptation with Label Shift
VinAI Research（VinAI研究院）
本文提出CASUAL方法，通过最小化源域与目标域条件特征分布的支持散度，并基于新的目标风险界优化训练，有效解决了标签偏移下的无监督域自适应问题。
2024-12-29 cs.LG
Conditional Alignment and Uniformity for Contrastive Learning with Continuous Proxy Labels
NeuroSpin, CEA Saclay, Université Paris-Saclay（法国原子能和替代能源委员会萨克雷中心 NeuroSpin，巴黎萨克雷大学）；LTCI, Télécom Paris, IPParis（巴黎电信学院 LTCI，巴黎理工学院）
对比学习在自然和医学图像上显示出令人印象深刻的结果，而不需要注释数据。然而，医学图像的特殊性是可以用于学习表示的元数据（例如年龄或性别）的可用性。在这里，我们表明，最近提出的对比y-Aware InfoNCE损失，集成多维元数据，渐近优化两个属性：条件对齐和全局均匀性。与[Wang，2020]类似，条件对齐意味着相似的样本应该具有相似的特征，但条件是基于元数据。相反，全局均匀性意味着（归一化）特征应该均匀分布在单位超球体上，与元数据无关。在这里，我们建议定义条件的一致性，依赖于元数据，只排斥样本与不同的元数据。我们表明，直接优化的条件对齐和均匀性提高了表示，在线性评价方面，CIFAR-100和脑MRI数据集。
2021-11-10 cs.LG
TVGL-CFM:Generating and Forecasting Time-Varying Trajectories of Dynamic Networks with Conditional Flow Matching
University of Strathclyde（斯特拉斯克莱德大学）
研究针对脑网络等随时间变化的复杂系统，提出TVGL-CFM模型，通过对数欧几里得图和条件流匹配，可生成和预测时变网络轨迹，在多数据集上表现优于原始信号基线，直接生成结构化精度轨迹更可靠。
2026-09-21 cs.LG
RNACG: A Universal RNA Sequence Conditional Generation model based on Flow-Matching
Tsinghua University（清华大学）
本文提出基于流匹配的通用RNA序列条件生成框架RNACG，统一支持结构、功能及家族注释等多种条件输入，整合了从家族特异性生成到三级结构反向折叠的多类RNA设计任务。
2025-03-08 cs.LG q-bio.BM
Hypothesis Testing for Class-Conditional Label Noise
University of Bristol（布里斯托大学）；Cookpad Ltd（Cookpad有限公司）
在本文中，我们为机器学习从业者提供了工具来回答这个问题：我的标签中是否存在类条件噪声？特别是，我们提出了假设检验来检查给定的实例标签对数据集是否被类条件标签噪声破坏，而不是均匀标签噪声，前者是偏置学习，而后者-在温和的条件下-没有。这些测试的结果可以与其他信息结合使用，以评估进一步的步骤。虽然以前的工作探索了噪声率的直接估计，但这在实践中是很难的，并且不能真正理解估计的可信度。这些方法通常需要锚点--真实后验概率为0或1的例子。因此，在本文中，我们假设我们可以访问一组锚点，其真实后验近似为1/2。所提出的假设检验是建立在Logistic回归模型的极大似然估计的渐近性质。我们建立的主要属性的测试，包括理论和实证分析的依赖性的功率上的测试的训练样本量，锚点的数量，噪声率的差异和使用放松锚。
2021-05-31 cs.LG
