Combinare il Flow Matching e i Transformer per una soluzione efficiente dei problemi inversi bayesiani

Combining Flow Matching and Transformers for Efficient Solution of Bayesian Inverse Problems

March 3, 2025

Autori: Daniil Sherki, Ivan Oseledets, Ekaterina Muravleva

cs.AI

Abstract

Risolvere in modo efficiente i problemi inversi bayesiani rimane una sfida significativa a causa della complessità delle distribuzioni a posteriori e del costo computazionale dei metodi di campionamento tradizionali. Dati una serie di osservazioni e il modello diretto, vogliamo ricostruire la distribuzione dei parametri, condizionata ai dati sperimentali osservati. Dimostriamo che, combinando il Conditional Flow Matching (CFM) con un'architettura basata su transformer, possiamo campionare in modo efficiente da questo tipo di distribuzione, condizionata a un numero variabile di osservazioni.

English

Solving Bayesian inverse problems efficiently remains a significant challenge due to the complexity of posterior distributions and the computational cost of traditional sampling methods. Given a series of observations and the forward model, we want to recover the distribution of the parameters, conditioned on observed experimental data. We show, that combining Conditional Flow Mathching (CFM) with transformer-based architecture, we can efficiently sample from such kind of distribution, conditioned on variable number of observations.