面向样本级约束生成的 Primal-Dual Flow Matching (PDFM)

研究者提出 Primal-Dual Flow Matching（PDFM），通过流匹配参数化与原始-对偶优化算法，实现具备用户指定满足概率的样本级约束生成。该方法可直接控制约束满足率，且仅需二值隶属预言机反馈，无需可微距离、投影或凸性等约束集特殊结构假设。在保持分布保真度的同时，PDFM 相比原始 Flow Matching 显著提升了约束满足率，相关代码已开源。