Compatible Likelihoods for Flow Matching on Manifolds¶

会议: NeurIPS 2026
arXiv: 2610.31981
领域: 优化/理论
关键词: 黎曼流匹配, 兼容似然, 指数族分布, 流形生成建模, 费希尔信息预条件

一句话总结¶

本文揭示了流形上基于端点似然的变分流匹配（RG-VFM）存在总体最优解无法恢复真实边缘速度场的“不兼容性”缺陷，并提出以条件速度为充分统计量的端点空间指数族似然目标，通过逆费希尔信息预条件化的加权回归损失同时实现似然兼容性与紧致流形支撑集感知，在平环面、球面地理数据及高维人体姿态流形上显著提升了似然与样本生成质量。

研究背景与动机¶

流匹配（Flow Matching）通过将复杂的边缘概率路径分解为连接基分布与数据分布的简单条件测地线路径，已非欧几里得流形生成建模的主流范式。在流形扩展中，陈等人提出的黎曼流匹配（RFM）直接在切空间上对条件速度场进行均方误差回归；而近期基于变分流匹配（VFM）视角的黎曼高斯变分流匹配（RG-VFM）则将训练转化为最大化条件端点后验的黎曼高斯似然，并宣称端点似然能够隐式捕捉流形的完整几何结构，比缺乏曲率信息的 RFM 提供更精确的监督信号。然而，作者在最简单的非欧几里得无曲率流形——一维平环面 \(\mathbb{T}^1\) 上构造了一个对称双狄拉克（及平滑包裹高斯）分布反例：当两条携带等大反向速度的交叉测地线在 \((x,t)=(0,\tau)\) 处相遇时，真实边缘速度本应为零，但 RG-VFM 的全局最优 Fréchet 均值却落在 \(\mu_\tau^\theta(0)=\pi\)，解码出的速度幅值高达 \(\pi/(1-\tau)\)，直接将样本推离数据分布并引发 ODE 求解器步数爆炸。

这一反常失败背后的核心矛盾在于，流形上目标函数的设计同时面临“兼容性（Compatibility）”与“支撑集感知（Support-Awareness）”的两难困境。所谓兼容性，是指损失函数的总体最优解经解码后必须严格恢复数据与耦合诱导的真实边缘速度场（即统计决策论中的 Fisher 一致性）；所谓支撑集感知，是指似然模型只能将概率密度分配给流形上几何可达的速度或端点。现有的 RFM 等价于在切空间上最大化固定协方差的高斯似然，虽然满足兼容性，但在紧致流形（如环面 \(\mathbb{T}^d\)、球面 \(\mathbb{S}^d\)、旋转群 \(\mathrm{SO}(3)\)）上，条件速度的模长受限于流形直径 \(\mathrm{diameter}(\mathcal{M})/(1-t)\)，切空间高斯却将大量概率质量浪费在几何上根本不可达的越界速度上；相反，RG-VFM 虽然定义在端点空间从而天然具备支撑集感知，但由于非欧流形上关于预测端点的得分函数 \(\log_\mu(z)\) 与目标速度特征 \(\log_x(z)\) 之间不存在全局仿射关系，破坏了兼容性，导致即使似然拟合到全局最优也会产生严重的流场偏差与时空刚性跳变。

为了彻底打破这一对立，本文从一般似然模型的一阶最优性条件出发，证明了只有当似然得分函数与条件速度特征呈仿射关系时才能消除不兼容残差。在此理论指导下，作者不再使用以端点距离平方构造的黎曼高斯，而是直接在流形端点空间上构造一个以条件速度为充分统计量的正则指数族分布。核心 idea：在流形端点空间上构建以条件速度向量为充分统计量、以局部化测地高斯为载体测度的指数族似然模型，使其得分函数对条件速度天然保持仿射线性以确保严格兼容，并在训练中化归为由逆费希尔信息（条件速度协方差矩阵之逆）预条件化的几何加权流匹配损失，利用流形对称性与一维数值积分预制查找表实现 \(\mathcal{O}(1)\) 开销的高效训练。

方法详解¶

整体框架¶

本文方法保持与标准黎曼流匹配（RFM）完全一致的网络架构与前向推理管线：神经网络直接以流形中间状态 \(x_t \in \mathcal{M}\) 和时间 \(t \in [0,1]\) 为输入，输出切空间中的预测速度向量 \(v_t^\theta(x_t) \in T_{x_t}\mathcal{M}\)。方法的核心变革集中在训练阶段的目标函数构造与几何预条件化机制：首先建立似然兼容性的充要条件与最坏局部流误差界，据此在端点空间定义以条件速度为充分统计量的指数族模型；接着根据局部化与乘积流形可分解性唯一确定高斯型载体测度；最后利用流形对称性将指数族的对数配分函数二阶导数（即条件速度协方差 \(V_{x,t}\)）离线预计算为一维标量查找表，在在线训练时通过 \(\mathcal{O}(1)\) 查表对切空间速度回归误差进行各向异性的逆协方差预条件加权。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["基分布 x0 与数据 x1<br/>测地线插值生成 xt 与条件速度"] --> B["似然兼容性准则与流误差界<br/>约束得分函数与条件速度呈仿射关系"]
    B --> C["端点空间条件速度指数族建模<br/>以条件速度为充分统计量构造端点似然"]
    C --> D["高斯载体测度与逆费希尔信息预条件损失<br/>用停梯度协方差逆矩阵加权速度残差"]
    D --> E["对称性降维与离线一维查表加速<br/>预计算标量权函数并在训练中 O(1) 调用"]
    E --> F["输出兼容且支撑集感知的流场 vt"]

关键设计¶

1. 似然兼容性准则与流误差界：确立零流场偏差的仿射得分充要条件

针对 RG-VFM 等端点似然模型在总体最优处仍会预测错误速度场的痛点，本文首先从变分扰动视角形式化了“兼容性”判据。设模型在每个 \((x,t)\) 处用似然族 \(q^\theta(z) = q_t^\theta(z \mid x)\) 拟合真实后验 \(p(z) = p_t(z \mid x)\)，真实边缘速度为特征映射 \(\psi_{x,t}(z)\) 的后验期望 \(u_t(x) = \mathbb{E}_p[\psi_{x,t}(z)]\)。若要保证任何能改变边缘速度的后验扰动 \(h(z)\) 都不会被似然目标的一阶最优条件忽略，当且仅当最优模型得分 \(s^*(z) = \nabla_\theta \log q^\theta(z)|_{\theta=\theta^*}\) 与目标速度特征 \(\psi_{x,t}(z)\) 之间存在与 \(z\) 无关的线性映射 \(A_{x,t}^\theta: \mathbb{R}^m \to T_x\mathcal{M}\) 和偏置向量 \(b_{x,t}^\theta \in T_x\mathcal{M}\)，使得几乎处处成立 \(\psi_{x,t}(z) = A_{x,t}^\theta s^\theta(z) + b_{x,t}^\theta\)。为了超越二元的“是否兼容”判断，作者进一步通过最小二乘逼近定义不兼容残差 \(r_{x,t}(z) = \psi_{x,t}(z) - A_{x,t}^* s^*(z) - b_{x,t}^*\)，并导出局部紧致的流场预测误差上界（定理 1 与式 11）：

\[\lVert v_t^\theta(x_t) - u_t(x_t) \rVert_g \leq \underbrace{\lVert v_t^\theta - \mathbb{E}_{q^{\theta^*}}[\psi_{x,t}] \rVert_g}_{\text{似然-解码器失配误差}} + \underbrace{\sqrt{\chi^2(p \parallel q^{\theta^*})} \sqrt{\left\lVert \mathbb{E}_{q^{\theta^*}}[r_{x,t} \otimes r_{x,t}] \right\rVert_{\mathrm{op},g}}}_{\text{分布拟合误差} \;\times\; \text{不兼容残差界}}\]

这一误差分解深刻揭示了为什么生成模型并不需要似然族本身是真实的精确密度估计器：只要模型满足兼容性，残差项 \(r_{x,t}\) 就恒等于零，即使简单似然族存在显著的分布失配（\(\chi^2(p \parallel q^{\theta^*}) > 0\)），第二项误差依然严格清零；再配合无偏均值参数化消除第一项解码器失配，即可在总体最优处精确恢复真实边缘速度。反之，像 RG-VFM 那样由于流形曲率和拓扑阻碍导致 \(\log_\mu(z)\) 与 \(\log_x(z)\) 无法仿射对齐的模型，只要分布存在些许失配就会持续残留一阶条件无法约束的流误差。

2. 端点空间条件速度指数族建模：同时实现严格兼容性与紧致流形支撑集感知

为了在保留 RFM 兼容性优势的同时剔除其在紧致流形切空间上对不可达速度（\(\lVert u_t^{\text{cond}} \rVert_g > \mathrm{diameter}(\mathcal{M})/(1-t)\)）分配高密度的缺陷，作者将似然分布直接定义在流形端点 \(x_1 \in \mathcal{M}\) 上，但不再以端点测地距离构造高斯分布，而是选用条件速度 \(u_t^{\text{cond}}(x_t \mid x_1) = \frac{1}{1-t}\log_{x_t}(x_1)\) 作为充分统计量，构建如下正则指数族分布：

\[q_t^\theta(x_1 \mid x_t) \propto c_{x,t}(x_1) \exp\!\left( \langle \eta, u_t^{\text{cond}}(x_t \mid x_1) \rangle_g \right), \quad A_{x,t}(\eta) = \log \int_{\mathcal{M}} c_{x,t}(x_1) \exp\!\left( \langle \eta, u_t^{\text{cond}}(x_t \mid x_1) \rangle_g \right) \mathrm{dVol}_g(x_1)\]

其中 \(\eta \in T_{x_t}\mathcal{M}\) 为切空间中的自然参数，\(c_{x,t}(x_1): \mathcal{M} \to \mathbb{R}^+\) 为载体测度（carrier），\(A_{x,t}(\eta)\) 为对数配分函数。根据指数族分布的标准性质，对数配分函数关于自然参数的一阶梯度恰好给出充分统计量的期望映射 \(m_{x,t}(\eta) = \nabla_\eta A_{x,t}(\eta) = \mathbb{E}_{q_t^\theta}[u_t^{\text{cond}}(x_t \mid x_1)]\)。作者将神经网络直接输出的预测速度 \(v_t^\theta(x_t)\) 与该期望绑定，令自然参数取反函数 \(\eta = m_{x,t}^{-1}(v_t^\theta(x_t))\)。这样一来，第一，模型预测值直接等于似然期望，完全消除了似然与解码器之间的失配误差；第二，关于自然参数 \(\eta\) 的得分函数为 \(u_t^{\text{cond}}(x_t \mid x_1) - v_t^\theta(x_t)\)，与目标特征 \(\psi_{x,t}(x_1) = u_t^{\text{cond}}(x_t \mid x_1)\) 严格满足仿射线性关系，在任意流形几何下都无条件保证兼容性；第三，由于积分域仅遍历流形上的真实端点 \(x_1 \in \mathcal{M}\)，前推到切空间的速度分布天然被截断在几何可达的紧致支撑集内，实现了支撑集感知。

3. 高斯载体测度与逆费希尔信息预条件损失：区分速度模长与方向误差的几何重加权

虽然指数族框架中的载体测度 \(c_{x,t}(x_1)\) 看似有无穷多种选择，但作者证明在满足中心各向同性、乘积流形可因式分解（即满足类似 Herschel-Maxwell 定理的函数方程 \(f(a+b)/f(0) = f(a)f(0)/f(0)^2\)）、\(t \to 1\) 时在 \(x_t\) 附近局部化以及欧氏空间退化为标准流匹配这四项结构约束后，载体测度被唯一锁定为测地高斯形式 \(c_{x,t}(x_1) = \exp\!\left(-\frac{1}{2}\lVert u_t^{\text{cond}}(x_t \mid x_1) \rVert_g^2\right)\)。在此基础上，对负对数似然 \(\ell_{\mathrm{NLL}}(\theta) = -\log q_t^\theta(x_1 \mid x_t)\) 关于网络参数 \(\theta\) 求导，利用链式法则与反函数求导定理 \(\nabla_v m_{x,t}^{-1}(v) = (\nabla_\eta^2 A_{x,t}(\eta))^{-1} = V_{x,t}(v)^{-1}\)，可将似然梯度完全等价地写为一个带停梯度算子 \(\operatorname{sg}(\cdot)\) 的预条件平方损失的梯度：

\[\mathcal{L}(\theta) = \frac{1}{2} \mathbb{E}_{t,x_0,x_1}\!\left[ \left\langle v_t^\theta(x_t) - u_t^{\text{cond}}, \; \operatorname{sg}\!\left(V_{x,t}(v_t^\theta(x_t))\right)^{-1} \left(v_t^\theta(x_t) - u_t^{\text{cond}}\right) \right\rangle_g \right]\]

其中 \(V_{x,t}(v) = \nabla_\eta^2 A_{x,t}(\eta)\big|_{\eta=m_{x,t}^{-1}(v)}\) 正是条件速度在模型分布下的协方差算子（即指数族的费希尔信息矩阵）。在常曲率单连通流形（如球面 \(\mathbb{S}^d\)）及旋转群 \(\mathrm{SO}(3)\) 上，旋转不变性使对数配分函数仅依赖于自然参数的模长 \(s = \lVert \eta \rVert_g\)（记为 \(A_t(s)\)，且 \(\lVert v \rVert_g = A_t'(s)\)），从而将协方差逆矩阵分解为平行于预测速度 \(v\)（模长方向，\(\Delta_\parallel\)）和垂直于 \(v\)（角度方向，\(\Delta_\perp\)）的两个独立标量权重：

\[\ell = \frac{1}{2}\left[ \frac{\lVert \Delta_\parallel \rVert_g^2}{\operatorname{sg}(A_t''(s))} + \frac{\lVert \Delta_\perp \rVert_g^2}{\operatorname{sg}(A_t'(s)/s)} \right]\]

在正曲率流形（如 \(\mathbb{S}^2\)）上，测地线具有汇聚效应，导致平行权重 \(1/A_t''(s)\) 显著大于垂直权重 \(s/A_t'(s)\)，从而在训练中自动加重对速度大小（speed）误差的惩罚、相对放宽方向（direction）误差；而在 \(t \to 1\) 局部欧氏极限下，两个权重均平滑收敛到 \(1\)，自然退化回标准 RFM 损失。

4. 对称性降维与离线一维查表加速：将在线积分与逆映射转化为 \(\mathcal{O}(1)\) 查表

如果在每个训练步在线通过高维数值积分和数值求逆来计算均值逆映射 \(m_{x,t}^{-1}(v)\) 与协方差 \(V_{x,t}(v)\)，计算开销将无法承受。本文的关键工程洞察在于充分利用流形的等距对称性与乘积结构，将高维积分解析降维为一维标量函数并在训练前离线制表（Pretabulation）：在 \(d\) 维平环面 \(\mathbb{T}^d\) 上，各坐标相互独立且体积元平坦，似然退化为区间 \([-\pi/(1-t), \pi/(1-t))\) 上的截断正态分布，所有维度共享同一个基于标准正态密度 \(\phi\) 与分布函数 \(\Phi\) 的一维解析查找表；在常曲率球面 \(\mathbb{S}^d\)（曲率 \(\kappa>0\)）与双曲空间上，利用球坐标将角度积分解析化简为第一类修正 Bessel 函数 \(I_{d/2-1}(sr)\)，仅需对径向距离 \(r \in [0, \mathrm{diameter}(\mathcal{M})/(1-t)]\) 进行一维高斯求积即可同时算出 \(A_t'(s)\) 与 \(A_t''(s)\)；在旋转群乘积流形 \(\mathrm{SO}(3)^n\)（如 19 个关节构成的 \(\mathrm{SO}(3)^{19}\) 人体姿态空间，内蕴维度 \(d=57\)）上，方向积分化简为 \(\sinh(sr)/(sr)\)，协方差矩阵呈现 \(n\) 个 \(3 \times 3\) 分块对角结构，所有旋转因子完全复用同一套一维径向积分表。对于超出可行速度凸包内部的极端网络早期预测，作者在查表前对速度模长或坐标施加边界截断（Barrier clamping），既提供了指向可行域内部的强惩罚梯度，又使在线训练每步仅增加 \(\mathcal{O}(1)\) 的表插值开销，在开启 torch.compile 后单步耗时与普通 RFM 几乎无异。

损失函数 / 训练策略¶

总体训练目标：训练流程与标准 RFM 仅有一行代码之差。每次迭代采样 \(t \sim \mathcal{U}(0,1)\)、基分布噪声 \(x_0 \sim p_0\) 和数据样本 \(x_1 \sim p_1\)，沿最短测地线插值得到 \(x_t = \exp_{x_0}(t \log_{x_0}(x_1))\) 及条件速度 \(u_t^{\text{cond}}(x_t \mid x_1) = \frac{1}{1-t}\log_{x_t}(x_1)\)，计算速度残差 \(\Delta = v_t^\theta(x_t) - u_t^{\text{cond}}(x_t \mid x_1)\)，最终最小化省略 \(1/2\) 系数（以与 RFM 保持完全相同的学习率尺度）的逆费希尔信息预条件损失 \(\ell(\theta) = \langle \Delta, \operatorname{sg}(V_{x,t}(v_t^\theta(x_t)))^{-1} \Delta \rangle_g\)。
数值稳定性与超参数策略：在一维积分制表时，针对小自变量采用泰勒级数展开，针对大自变量采用指数缩放的修正 Bessel 函数与双曲函数，并通过 log-sum-exp 累加求积节点；训练全程无需梯度裁剪或学习率预热（Warmup），在所有最终选定的实验检查点上，预测速度触发边界截断（Barrier active）的比例均为 \(0\%\)。

实验关键数据¶

主实验¶

表 1：一维平环面 \(\mathbb{T}^1\) 解析反例测试（30 个随机种子，每种子生成 20,000 样本，dopri5 容差 \(10^{-5}\)）

方法（种子数）	交叉点速度误差 \(\lVert v_\tau^\theta(0) \rVert_g \downarrow\)	\(W_1 \downarrow\)	\(W_2 \downarrow\)	能量距离 \(\mathrm{ED} \downarrow\)	Laplace \(\mathrm{MMD}^2 \downarrow\)	dopri5 \(\mathrm{NFE} \downarrow\)	采样耗时 (s) \(\downarrow\)
RFM (30)	0.070 ± 0.040	0.446 ± 0.20	0.879 ± 0.30	0.214 ± 0.064	0.055 ± 0.028	497 [426, 578]	1.92 [1.65, 2.22]
RG-VFM 全部 (30)	2.080 ± 2.078	0.538 ± 0.29	0.830 ± 0.32	0.311 ± 0.191	0.085 ± 0.079	36,839 [33,796, 60,574]	141.4 [130.3, 233.9]
RG-VFM 上簇/全局最优分支 (15)	4.123 ± 0.042	0.653 ± 0.30	0.997 ± 0.31	0.370 ± 0.212	0.107 ± 0.089	55,436 [32,228, 70,115]	212.9 [124.0, 271.9]
RG-VFM 下簇/局部极小分支 (15)	0.037 ± 0.019	0.423 ± 0.24	0.663 ± 0.25	0.251 ± 0.151	0.063 ± 0.063	36,638 [35,411, 41,675]	140.4 [136.8, 161.3]
本文方法 (30)	0.060 ± 0.041	0.434 ± 0.18	0.836 ± 0.31	0.212 ± 0.055	0.054 ± 0.024	443 [388, 582]	1.71 [1.49, 2.24]

表 2：球面 \(\mathbb{S}^2\) 地球与气候科学基准测试 NLL \(\downarrow\) 及高维环面 \(\mathbb{T}^d\) 每维 NLL \(\downarrow\) 对比（5 个随机种子）

方法	Volcano NLL \(\downarrow\)	Earthquake NLL \(\downarrow\)	Flood NLL \(\downarrow\)	Fire NLL \(\downarrow\)	\(\mathbb{T}^{10}\) NLL/dim \(\downarrow\)	\(\mathbb{T}^{100}\) NLL/dim \(\downarrow\)	\(\mathbb{T}^{400}\) NLL/dim \(\downarrow\)
Riemannian CNF	-0.97 ± 0.15	0.19 ± 0.04	0.90 ± 0.03	-0.66 ± 0.05	—	—	—
Moser Flow	-2.02 ± 0.42	-0.09 ± 0.02	0.62 ± 0.04	-1.03 ± 0.03	—	—	—
CNF Matching	-2.38 ± 0.17	-0.38 ± 0.01	0.25 ± 0.02	-1.40 ± 0.02	—	—	—
Riemannian Score-Based	-4.92 ± 0.25	-0.19 ± 0.07	0.45 ± 0.17	-1.33 ± 0.06	-0.1404 ± 0.01	0.0355 ± 0.01	0.1423 ± 0.01
Riemannian Diffusion Model	-6.61 ± 0.97	-0.40 ± 0.05	0.43 ± 0.07	-1.38 ± 0.05	—	—	—
RFM (原论文报告值)	-7.93 ± 1.67	-0.28 ± 0.08	0.42 ± 0.05	-1.86 ± 0.11	-0.1838 ± 0.01	-0.2065 ± 0.01 (越界)	-0.1432 ± 0.01
RFM (精确散度复现)	-6.963 ± 1.71	-0.214 ± 0.051	0.484 ± 0.043	-1.766 ± 0.061	-0.1678 ± 0.002	-0.1553 ± 0.001	-0.0232 ± 0.002
本文方法	-9.685 ± 1.94	-0.279 ± 0.040	0.472 ± 0.040	-2.105 ± 0.107	-0.1827 ± 0.004	-0.1758 ± 0.003	-0.1374 ± 0.002

注：高维环面 \(\mathbb{T}^d\) 包裹高斯分布（\(\sigma=0.2\)）的理论微分熵下界为 \(-0.1905\)，RG-VFM 的 NLL（如 \(\mathbb{T}^{400}\) 上为 \(-1.1979\)）及部分 RFM 原文随机迹估计值违反了该物理下界；在所有未违反熵下界的方法中，本文方法从 \(d=1\)（\(-0.1904\)）到 \(d=400\)（\(-0.1374\)）全线取得最优 NLL 与最优 Fourier-kernel \(\mathrm{MMD}^2\)。

表 3：AMASS 大规模高维人体姿态 \(\mathrm{SO}(3)^{19}\)（1,182 万训练样本，57 维内蕴空间）生成性能与采样效率对比

方法	相对 Haar 测度 NLL \(\downarrow\)	弦距离能量距离 \(\mathrm{ED} (\times 10^3) \downarrow\)	弦距离高斯 \(\mathrm{MMD}^2 (\times 10^3) \downarrow\)	dopri5 (\(10^{-5}\)) 采样耗时 (s) \(\downarrow\)	dopri5 (\(10^{-5}\)) \(\mathrm{NFE} \downarrow\)
HuProSO3 (自回归流基线)	-137.78	56.76	9.746	5.465 ± 0.025	—
RG-VFM	-150.58 ± 0.41	18.60 ± 1.72	3.601 ± 0.308	57.456 ± 1.581	1,212.0 ± 30.2
RFM	-198.11 ± 0.81	2.16 ± 0.20	0.379 ± 0.035	4.153 ± 0.132	550.4 ± 17.3
本文方法	-197.41 ± 0.44	1.68 ± 0.04	0.293 ± 0.008	4.214 ± 0.047	558.8 ± 6.6

消融实验¶

表 4：球面 \(\mathbb{S}^2\) 上测地指数载体族 \(c_p = \exp[-(\lVert u_t^{\text{cond}} \rVert_g / a_p)^p]\) 幂次消融与编译期训练开销剖析

配置 / 变体	\(\mathbb{S}^2\) 包裹高斯 \(\mathrm{KL} (\times 10^3) \downarrow\)	能量距离 \(\mathrm{ED} (\times 10^6) \downarrow\)	Laplace \(\mathrm{MMD}^2 (\times 10^6) \downarrow\)	\(\mathbb{S}^2\) Eager 单步耗时 (ms) \(\downarrow\)	\(\mathbb{S}^2\) Compiled 单步耗时 (ms) \(\downarrow\)	\(\mathbb{T}^{500}\) 训练吞吐量 (it/s) \(\uparrow\)
RFM 基线（切空间高斯，无支撑集截断）	0.1765 ± 0.1447 [0.1607]	0.945 ± 5.453 [-0.336]	2.026 ± 7.359 [-0.187]	91.82 ± 0.48	65.93 ± 0.32	15.32 ± 0.08
\(p=0\)（退化常数载体 \(c_0=1\)，无终端局部化）	0.5485 ± 0.2773 [0.4488]	9.811 ± 7.990 [5.828]	15.173 ± 11.696 [9.467]	—	—	—
\(p=1\)（拉普拉斯型载体，乘积流形不可分解）	0.1398 ± 0.1339 [0.1070]	1.389 ± 4.884 [-0.306]	2.681 ± 6.189 [-0.098]	—	—	—
\(p=3\)（三次指数载体，乘积流形不可分解）	0.1779 ± 0.1667 [0.1215]	0.713 ± 4.996 [-0.819]	1.649 ± 6.420 [-1.138]	—	—	—
\(p=4\)（四次指数载体，乘积流形不可分解）	0.1617 ± 0.1567 [0.1078]	0.876 ± 5.740 [-1.237]	1.872 ± 7.662 [-1.641]	—	—	—
本文默认 \(p=2\)（高斯载体，满足乘积可分解）	0.1350 ± 0.1091 [0.1037]	0.584 ± 5.086 [-1.432]	1.465 ± 6.405 [-1.383]	93.72 ± 0.08	65.63 ± 0.36	14.58 ± 0.11

关键发现¶

不兼容性直接导致训练损失与生成质量倒挂及 ODE 刚性崩溃：在 \(\mathbb{T}^1\) 解析实验中，RG-VFM 的 30 个随机种子对半分裂为两个簇——收敛到全局最优预测 \(\mu=\pi\)（对应错误速度 \(\approx 4\pi/3 \approx 4.19\)）的 15 个“上簇”种子虽然训练损失更低，但其 \(W_1\)（0.653 vs 0.423）和 \(\mathrm{MMD}^2\)（0.107 vs 0.063）显著劣于收敛到局部极小值（零速度）的“下簇”种子；同时由于全局最优分支在 \(t=\tau=1/4\) 处存在符号跳变，自适应求解器 dopri5 的函数评估次数（NFE）从本文方法的 443 暴增 125 倍至 55,436，在 \(\mathbb{S}^2\) 棋盘格基准上更随积分步数增加单调发散至 723.7 bits。
支撑集感知在高维紧致流形上展现出显著的维度扩展优势：在平环面维度扫描（\(d \in [1, 400]\)）中，RFM 随着维度升高性能迅速退化（\(d=400\) 时每维 NLL 跌至 \(-0.0232\)，在 \(d>200\) 后其 Fourier \(\mathrm{MMD}^2\) 甚至被不兼容但具支撑集感知的 RG-VFM 反超）；而本文方法兼具两者优势，在 \(d=400\) 时仍保持 \(-0.1374\) 的高精度 NLL，并在所有维度上稳居 \(\mathrm{MMD}^2\) 第一。
载体局部化至关重要，而预制表机制使运行开销在高维与编译模式下趋近于零：消融表显示，去掉 \(t \to 1\) 局部化的常数载体（\(p=0\)）会导致 KL 散度恶化 4 倍以上（从 \(0.1350 \times 10^{-3}\) 升至 \(0.5485 \times 10^{-3}\)），而在具备局部化的载体中，\(p=2\) 高斯载体不仅性能最佳，更是唯一满足乘积流形坐标可分解性的非退化选择。启用 torch.compile 后，本文在 \(\mathbb{S}^2\) 上的单步训练耗时（65.63 ms）与 RFM（65.93 ms）完全持平，显存仅增加约 1–6 MiB。

亮点与洞察¶

“好似然不等于好流场，坏密度估计也能出精确速度”的理论洞察：定理 1 的误差分解给出了一个反直觉却极具指导意义的结论——流匹配的成功根本不需要变分似然族 \(q_t^\theta\) 具备逼近真实复杂多峰后验 \(p_t(x_1 \mid x_t)\) 的高表达能力。只要似然得分对条件速度是仿射的（即兼容，\(r_{x,t}=0\)），无论似然分布本身的拟合优度 \(\chi^2(p \parallel q^{\theta^*})\) 有多差，总体最优解都能零误差地恢复真实边缘速度场。
零超参数空间的几何预条件化设计：本文将端点指数族最大似然优雅地化归为带停梯度逆费希尔信息矩阵 \(\operatorname{sg}(V_{x,t})^{-1}\) 的加权回归损失。这不仅解释了为何在正曲率球面上应当比方向误差更严厉地惩罚速度大小误差（因为测地线汇聚使方向偏差的影响在远端缩小，而步长偏差直接越过目标点），而且整个权重矩阵完全由流形度规和积分几何唯一导出，没有引入任何需要人工调参的预条件超参数。
可迁移到一般非线性条件路径生成模型的通用判据：本文提出的兼容性判据 \(\psi_{x,t}(z) = A_{x,t}^\theta s^\theta(z) + b_{x,t}^\theta\) 并不局限于黎曼流形，而是适用于任何条件插值路径非线性的流匹配或随机插值（Stochastic Interpolants）场景（例如受物理约束的分子构象生成、离散/连续混合表格生成或带障碍物的轨迹生成），为未来设计新型变分流匹配似然提供了必须通过的“第一道数学安检”。

局限与展望¶

对流形对称性与闭合测地线的依赖：尽管本文方法无需 RG-VFM 所依赖的齐性流形（Homogeneous manifold，即配分函数与位置无关）假设，但在实际高效实现中仍依赖流形的旋转或乘积对称性将 \(V_{x,t}\) 降维为一维数值积分查找表。对于缺乏对称性或没有解析对数映射的一般三维三角网格（General 3D meshes）与拉回度量流形，需要借助蒙特卡洛估计或神经网络拟合均值逆映射，目前尚未扩展验证。
固定条件传输路径在部分地理数据集上的局限：在球面 Earthquake 和 Flood 两个数据集上，虽然本文方法全面优于同属固定测地线路径的 RFM 基线，但测试 NLL 仍略逊于允许端到端优化传输路径的 CNF Matching 和黎曼扩散模型（代价是后者无法扩展到高维流形）。未来可将本文的兼容指数族损失与流形上的最优传输耦合（Minibatch OT）或流映射自蒸馏（Flow Maps）结合，同时改善传输路径弯曲度与少步采样效率。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次从理论上定义并证明了流匹配似然目标的兼容性充要条件与局部紧致流误差界，用一维平环面解析反例一针见血地揭示了近期 RG-VFM 的根本性缺陷，并给出了兼具兼容性与支撑集感知的端点指数族预条件损失。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖一维平环面解析验证、最高 400 维乘积环面扩展、4 个标准球面地球科学基准、1,182 万样本的 \(\mathrm{SO}(3)^{19}\) 人体姿态生成，并附带详尽的 ODE 求解器刚性诊断、载体幂次消融以及 Eager/Compiled 显存与耗时剖析。
写作质量: ⭐⭐⭐⭐⭐ 逻辑极其严密，从一维平环面直观反例切入，层层推进到一般兼容性定理、指数族构造、常曲率流形平行/垂直误差分解与一维 Bessel 积分制表，数学推导清晰优美。
价值: ⭐⭐⭐⭐⭐ 不仅为流形流匹配提供了一个几乎零额外推理开销、改动仅一行损失函数的高性能替代方案，更在方法论层面纠正了变分流匹配社区盲目设计端点似然的误区。