Generative Modeling with Flow-Guided Density Ratio Learning

一句话直觉

当源分布离目标很远时，一次训练好的比率估计器不够用，需要让它跟着逐渐改善的样本一起学习。

要解决什么，怎样做

FDRL基于熵正则f散度的梯度流。已有方法用一个时间不变的判别器近似随流变化的密度比，在样本微调时可能可用，但从很远的源分布开始完整生成会遭遇density chasm。FDRL让比率估计器在训练中接触逐步变好的样本，缩小这个鸿沟。

理解用的示意为$r_t(x)=p(x)/q_t(x)$：即使$p$不变，生成分布$q_t$变化也会让真实比率变化；固定估计器因此逐渐过时。

和已有方法的区别

它不是仅在终点用一个判别器挑好图，而是让分布运输与比率学习相互配合。这里flow指梯度流视角，不应直接等同于所有现代flow matching训练配方。

阅读边界与局限

逐步学习仍受比率误差与样本覆盖约束，错误方向可能累积。无配对翻译等应用需要额外检查语义保持，生成视觉质量不能单独证明正确迁移。

自测

1. 为什么对“修饰已有好样本”有效的固定比率方法，可能无法从纯噪声生成？
2. 源分布移动后，哪怕目标不动，判别器为什么仍需更新？

小实验（自学设计）

从远离目标的二维高斯出发，比较固定比率估计器与逐步重训估计器的粒子流。记录沿途真实散度、判别器校准和模式覆盖，并改变重训频率，观察陈旧估计的影响。

来源与核验

已核验原始论文摘要或官方论文记录，以上是导读级自学笔记，尚未逐节复核全文证明与实验。预印本首发2023，作者官方项目页标注ECML PKDD 2024；此处采用2024会议年份。

原论文或作者官方来源。本地研究清单提供了补充摘录；自测、小实验及分析性提醒为学习设计，不是论文报告的结果。