基于条件 Föllmer 流的深度条件分布学习方法

研究人员提出一种基于常微分方程（ODE）的深度生成方法 Conditional Föllmer Flow，用于学习条件分布。该方法从标准高斯分布出发逼近目标分布，采用欧拉法离散化并用深度神经网络非参数化估计速度场，首次提供了基于 ODE 流的条件分布学习端到端 Wasserstein-2 距离收敛性误差分析。数值实验表明其在非参数密度估计和图像数据任务中均优于现有方法。