Het combineren van Flow Matching en Transformers voor efficiënte oplossing van Bayesiaanse inverse problemen

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

March 3, 2025

Auteurs: Daniil Sherki, Ivan Oseledets, Ekaterina Muravleva

cs.AI

Samenvatting

Het efficiënt oplossen van Bayesiaanse inverse problemen blijft een grote uitdaging vanwege de complexiteit van posterior verdelingen en de rekenkosten van traditionele samplingmethoden. Gegeven een reeks observaties en het forward model, willen we de verdeling van de parameters herstellen, geconditioneerd op geobserveerde experimentele data. We tonen aan dat door Conditional Flow Matching (CFM) te combineren met een transformer-gebaseerde architectuur, we efficiënt kunnen samplen uit dit soort verdeling, geconditioneerd op een variabel aantal observaties.

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.