摘要
流匹配（Flow Matching, FM）在建模复杂条件分布方面表现出色，已成为预测任务（如机器人技术、天气预测）的最先进技术。然而，在安全关键环境中的应用受到一种严重的外推风险的限制：由于平滑性偏差，流模型即使在离散输入条件下也会产生看似合理的输出，导致无法区分的隐性失败。
在本研究中，我们引入了“发散流”（Diverging Flows），这是一种新颖的方法，它通过结构性地强制对离散输入进行低效传输，使单一模型能够同时执行条件生成和原生外推检测。
我们在合成流形、跨域风格迁移和天气温度预测等任务上评估了我们的方法，结果表明，该方法能够有效检测外推，而不影响预测的准确性或推理延迟。
这些结果确立了发散流作为可信流模型的强大解决方案，为医学、机器人和气候科学等领域的可靠部署铺平了道路。
博主点评： 发散流方法通过引入外推检测机制，将流模型的可靠性提升到一个新高度。这一进展不仅提升了模型的安全性，也为未来在关键性领域的应用奠定了基础。如何在不牺牲性能的情况下实现这一目标，显示了研究者们在技术创新上的深厚功力。