Generator Matching: Generative modeling with arbitrary Markov processes
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；FAIR, Meta（元公司 FAIR）；Weizmann Institute of Science（魏茨曼科学研究所）
提出生成器匹配框架，利用任意马尔可夫过程的生成器进行生成式建模，统一扩散模型、流匹配等方法，并支持跳跃过程叠加，提升图像与多模态生成性能。
2025-02-27 cs.AI cs.LG
Markovian Flow Matching: Accelerating MCMC with Continuous Normalizing Flows
Lancaster University（兰卡斯特大学）
本文提出马尔可夫流匹配方法，将 FM 训练的 CNF 作为非局部转移核嵌入自适应 MCMC，并结合回火机制，以更低计算成本实现多模态推断。
2024-10-28 cs.LG stat.ME stat.ML
DAWN-FM: Data-Aware and Noise-Informed Flow Matching for Solving Inverse Problems
DAWN-FM通过结合数据和噪声信息的流匹配方法，提升反问题求解的准确性和鲁棒性。
2026-02-28 cs.AI cs.CV cs.LG
Weighted Flow Matching and Physics-Informed Nonlinear Filtering for Parameter Estimation in Digital Twins
Department of Applied Mathematics, University of California, Santa Cruz, CA 95064, USA（应用数学系，加州大学圣克鲁兹分校）；Department of Electrical and Computer Engineering, University of California, Santa Cruz, CA 95064, USA（电气与计算机工程系，加州大学圣克鲁兹分校）
本文提出了一种结合带权流匹配和物理信息非线性滤波的新框架，用于提升数字孪生中的参数估计能力，通过在航天器数字孪生架构中实现稳定的转动惯量估计，展示了在不确定和噪声环境下的性能优势。
2026-05-16 cs.CE cs.LG cs.SY
Flow Matching: Markov Kernels, Stochastic Processes and Transport Plans
Institute of Mathematics, Technische Universität Berlin（1 数学研究所，柏林技术大学）
本文从数学角度探讨了学习Wasserstein几何中绝对连续曲线速度场的不同技术，包括运输计划、马尔可夫核和随机过程，并讨论了流匹配在贝叶斯逆问题中的应用。
2026-04-24 cs.LG math.PR
EnfoPath: Energy-Informed Analysis of Generative Trajectories in Flow Matching
KTH Royal Institute of Technology（皇家理工学院）；Chinese University of Hong Kong（香港大学）；Hasso Plattner Institute（哈asso-普拉特纳研究所）；Nordita（北欧理论物理研究所）
EnfoPath通过动能路径能量分析生成轨迹，揭示语义丰富样本与数据密度的关系，提供物理启发的生成难度理解框架。
2025-11-24 cs.AI cs.LG
Capturing non-Markovian dynamics in non-equilibrium stochastic systems using flow matching
Lawrence Berkeley National Laboratory（伯克利国家实验室）；San Jose State University（圣何塞州立大学）
针对粗粒化随机偏微分方程无法准确捕捉短时非马尔可夫效应和低密度非高斯分布的问题，提出生成式流匹配方法直接建模粒子模拟中的概率通量分布，在Kramers首通时间问题中准确捕捉短时行为并改进数密度统计矩预测。
2026-06-04 cond-mat.stat-mech cs.LG physics.comp-ph
MIRRA: Fast, High-Fidelity Molecular Generation with Chemistry-Informed Discrete Flow Matching
Courant Institute of Mathematical Sciences, New York University（纽约大学柯朗数学科学研究所）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）；Department of Physics, New York University（纽约大学物理系）
MIRRA是一种离散流匹配生成器，通过化学先验优化采样，在ZINC250k等数据集上显著降低分布误差、提升生成速度，聚合物测试集上也实现了更高的周期性有效性。
2026-10-14 cs.LG physics.chem-ph physics.comp-ph
Gradient-Informed Monte Carlo Fine-Tuning of Diffusion Models for Low-Thrust Trajectory Design
Princeton University（普林斯顿大学）
本文提出利用梯度信息的马尔可夫链蒙特卡罗方法，结合扩散模型微调，提升低推力轨道设计的效率与可行性。
2025-12-09 cs.LG cs.SY eess.SY
Unrestrained Simplex Denoising for Discrete Data. A Non-Markovian Approach Applied to Graph Generation
Department of Computer Science, University of Geneva（日内瓦大学计算机科学系）；DMML Group, Geneva School for Business administration HES-SO（HES-SO日内瓦商学院DMML研究组）
本文提出一种基于单纯形的非马尔可夫去噪方法，用于离散数据生成，通过去除约束提升性能并简化模型。
2026-10-23 cs.LG
Characterizing and Mitigating Distributional Bias in Physics-Informed Generative Models
University of Stuttgart（斯图加特大学）
该研究针对物理感知生成模型中约束满足度与数据分布保真度的冲突，提出数据锚定惩罚项缓解分布偏差，经多类实验验证了其有效性。
2026-10-14 cs.LG
Exploring Diffusion and Flow Matching Under Generator Matching
University of California, Berkeley（加利福尼亚大学伯克利分校）
本文在生成器匹配统一框架下理论比较扩散与流匹配，揭示流匹配更稳健的原因，并探讨混合确定性与随机组件以构建新模型类别。
2024-12-17 cs.CV cs.LG
Structured Coupling for Flow Matching
Imperial College London（帝国理工学院伦敦分校）
本文提出结构耦合用于流匹配（SCFM），通过引入结构化潜在变量和外源噪声，联合学习结构化先验和连续传输映射，实现无条件流模型，提升潜在表示学习能力。
2026-05-08 cs.LG
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
Edit-Based Flow Matching for Temporal Point Processes
School of Computation, Information and Technology & Munich Data Science Institute（计算、信息与技术学院及慕尼黑数据科学研究所）
本文提出了一种基于编辑操作的流匹配方法，用于改进时间点过程的建模，通过连续时间马尔可夫链框架学习瞬时编辑率，提升生成效率和灵活性。
2026-02-04 cs.LG
When do explicit penalties improve flow matching?
该研究探讨显式惩罚改进流匹配的条件，以物理信息流匹配为示例，通过期望平方2-瓦瑟斯坦误差对比带惩罚与不带惩罚的生成建模，推导几何准则并明确求解统计对比，得出惩罚提升准确性的权衡条件及相关影响因素。
2026-10-14 cs.LG math.ST stat.ML
Memory-Conditioned Flow-Matching for Stable Autoregressive PDE Rollouts
Department of Mathematics, ETH Z\"urich, Z\"urich, Switzerland
本文提出基于记忆条件的流匹配方法，通过引入紧凑在线状态提升自回归PDE求解器在长距离滚动中的稳定性与精度。
2026-02-06 cs.LG
(HB-ARFM) History-Bootstrapped Flow Matching for Inverse Boiling Reconstruction
提出历史引导自回归流匹配方法，通过条件流匹配和自回归传播解决部分观测下的时空逆重建问题，在沸腾动力学重建中优于其他模型。
2026-05-29 cs.AI cs.CE cs.LG
Refining Graphical Neural Network Predictions Using Flow Matching for Optimal Power Flow with Constraint-Satisfaction Guarantee
Institute for Transportation Research and Education（交通研究与教育研究所）；North Carolina State University（北卡罗来纳州立大学）
本文提出结合物理信息图神经网络和连续流匹配的两阶段学习框架，用于解决直流最优功率流问题，实现高效且可行的优化解。
2025-12-11 cs.LG math.OC
Stochastic stiffness identification and response estimation of Timoshenko beams via physics-informed Gaussian processes
Bauhaus-Universität Weimar（魏玛包豪斯大学）；University of Cambridge（剑桥大学）
本文提出基于物理信息高斯过程的Timoshenko梁模型，通过贝叶斯推断和马尔可夫链蒙特卡洛实现随机刚度识别，并结合熵优化传感器布置，实现异构多保真数据融合与结构响应概率预测。
2023-09-21 cs.AI cs.LG
Adaptive Physics-Informed Neural Networks for Markov-Chain Monte Carlo
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；NVIDIA（英伟达）
在本文中，我们提出了自适应物理信息神经网络（APINNs）的准确和有效的模拟免费贝叶斯参数估计通过马尔可夫链蒙特卡罗（MCMC）。我们特别关注一类参数估计问题，计算似然函数需要求解偏微分方程。所提出的方法包括：（1）构建离线PINN-UQ模型作为对前向模型的近似;以及（2）使用MCMC采样器生成的样本实时细化该近似模型。所提出的APINN方法不断完善这个近似模型的飞行，并保证近似误差总是小于用户定义的残差阈值。我们数值证明了所提出的APINN方法在解决由泊松方程的系统的参数估计问题的性能。
2020-08-03 cs.LG cs.NA math.NA
Max-Plus Matching Pursuit for Deterministic Markov Decision Processes
Inria（法国国家信息与自动化研究所）；Département d’Informatique de l’Ecole Normale Supérieure（巴黎高等师范学院计算机系）；PSL Research University（巴黎文理研究大学）
我们考虑确定性马尔可夫决策过程（MDP）和应用最大代数工具来近似的值迭代算法的一个较小的维度的迭代的基础上表示的字典的价值函数。设置自然导致新的理论结果，这是简单地制定由于最大加代数结构。例如，当考虑固定（非自适应）有限基时，近似最优价值函数的计算复杂性与状态的数量不直接相关，而是与状态空间的覆盖数量的概念相关。为了打破因子化状态空间中的维数灾难，我们考虑自适应基础，可以适应特定的问题，导致类似于信号处理中的匹配追踪算法。他们目前没有理论上的保证，但工作经验以及简单的确定性MDP来自低维连续控制问题。我们主要集中在确定性的MDPs，但注意到，该框架可以适用于所有的MDPs考虑基于测量的配方。
2019-06-20 cs.LG stat.ML
Nonlinearity and Uncertainty Informed Moment-Matching Gaussian Mixture Splitting
Department of Mechanical and Aerospace Engineering, Utah State University（机械与航空航天工程系，犹他州立大学）；School of Aeronautics and Astronautics, Purdue University（航空航天工程学院，普渡大学）
本文提出了一种基于非线性与不确定性引导的矩匹配高斯混合分割方法，通过优化分割方向选择提升高斯混合模型在非线性系统不确定性传播中的精度与效率。
2024-11-30 cs.LG eess.SP stat.ML
From Denoising Diffusions to Denoising Markov Models
University of Oxford（牛津大学）；ENS（法国高等师范学院）
本文提出一个统一框架，将基于分数匹配的去噪扩散模型推广至更广泛的空间类别，实现了分数匹配的原创性扩展，并在多种应用中验证了其有效性。
2024-02-18 cs.LG stat.ML
Entropic Matching for Expectation Propagation of Markov Jump Processes
Department of Electrical Engineering and Information Technology（电气工程与信息学院）
本文提出基于熵匹配的马尔可夫跳跃过程推断方法，通过闭合形式结果和实验验证，展示了在化学反应网络中高效估计参数和后验均值的性能优势。
2025-03-17 cs.LG q-bio.MN q-bio.QM
Efficient Informed Proposals for Discrete Distributions via Newton's Series Approximation
Renmin University of China（中国人民大学）；Texas A&M University（得克萨斯农工大学）；North Carolina State University（北卡罗来纳州立大学）；Purdue University（普渡大学）
在离散分布上，利用建议分布中的参数来加速马尔可夫链蒙特卡罗算法的收敛。然而，这些方法需要目标离散分布的自然可微扩展，这通常不存在或不提供有效的梯度引导。在本文中，我们开发了一个类似梯度的建议，任何离散分布没有这个强烈的要求。建立在局部平衡的建议，我们的方法有效地近似离散似然比通过牛顿级数展开，使一个大的和有效的探索离散空间。我们表明，我们的方法也可以被视为一个多线性扩展，从而继承其所需的属性。我们证明了我们的方法有保证的收敛速度，或没有大都市黑斯廷斯步骤。此外，我们的方法优于一些流行的替代品在几个不同的实验，包括设施定位问题，提取文本摘要，图像检索。
2023-02-27 cs.LG stat.ML
Matching and mixing: Matchability of graphs under Markovian error
University of Pennsylvania（宾夕法尼亚大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；University of Kentucky（肯塔基大学）；University of Maryland, College Park（马里兰大学帕克分校）
本文研究在马尔可夫误差下图匹配的匿名化阈值，证明在Erdős-Rényi模型中阈值与混合时间同为Θ(n² log n)，并展示在更结构化模型中匿名化可在O(n^α log n)时间内完成。
2026-01-27 math.PR math.ST stat.CO
