Velocity Ambiguity Profiles：时间分辨的贝叶斯风险诊断新工具

Flow matching 模型通常报告一个在插值时间上平均的损失值，但这种方法掩盖了不同时间区域的损失差异：有些区域受限于内在歧义，有些则受限于数据不足。最近提出的 Velocity Ambiguity Profile (VAP) 旨在解决这一问题，通过时间分辨的贝叶斯风险诊断，揭示流匹配训练中的可约与不可约误差。

核心概念：VAP 与损失分解

VAP 定义为单位时间上的速度预测贝叶斯风险下限，记为 $\mathcal{A}_v(t)$。作者将时间分辨的损失分解为 $L_N(t)=\mathcal{A}_v(t)+R(t;N)$，其中 $\mathcal{A}_v(t)$ 是内在歧义导致的不可约部分，而 $R(t;N)$ 是可通过更多数据或更好估计器减少的过剩风险。这种分解使得我们能够区分哪些时间区域受限于歧义，哪些受限于数据。

统计基准与理论保证

对于 $N$ 个训练样本和 $K$ 成分混合模型，作者证明了两个统计基准：在内在局部回归基准中，$\mathcal{A}_v(t)$ 进入标准非参数速率的时间依赖噪声因子；在分离的各向同性高斯混合中，贝叶斯速度变为局部仿射，标签 oracle 残差回归基准具有参数化过剩风险尺度 $K\mathcal{A}_v(t)/N$。这些理论结果为 VAP 的有效性提供了保证。

实验验证与诊断能力

作者通过受控高斯混合实验验证了 VAP 的诊断能力，包括密集过渡扫描、校准的 oracle-to-blind 和实证代理审计，以及局部受控时间采样器压力测试。在压力测试中，冻结的可约误差代理减少了可约损失，而跨单元敏感性界定了激进采样的边界。

实际应用：CIFAR-100 特征流

在 CIFAR-100 DINOv2 特征流上，引导时间采样将均匀评估的速度损失降低了 6.78%，全局特征 Fréchet 距离 (FD) 降低了 23.6%，但类条件核 inception 距离 (KID) 没有改善。这表明 VAP 能够指导采样策略，在减少可约损失的同时可能对某些指标产生不同影响。

意义与展望

VAP 将平均的流匹配目标转化为时间分辨的诊断工具，帮助定位歧义限制和数据限制的区域。这对于理解流匹配模型的训练动态和设计更有效的数据采样策略不能忽视。未来，该诊断方法有望扩展到更多生成模型和实际应用中。