摘要
连续归一化流（Continuous Normalizing Flows, CNFs）能够通过表达能力强且长度无限的架构来建模数据分布。然而，这种建模在最大似然训练过程中需要求解常微分方程（Ordinary Differential Equation, ODE），计算开销较大。近期提出的流匹配（Flow Matching, FM）框架通过引入插值前向向量场的回归目标，显著简化了训练过程。本文提出了一种无需对所建模向量场做显式假设的无插值双流匹配（Interpolant-Free Dual Flow Matching, DFM）方法。DFM 通过一种新颖的目标函数，同时优化前向和反向向量场模型，从而促进前向与反向变换的双射性（bijectivity）。在 SMAP 无监督异常检测任务上的实验表明，与采用最大似然或 FM 目标训练的 CNF 相比，DFM 在多项当前最优性能指标上均展现出显著优势，达到了最先进的性能水平。