Resumen Técnico: Muestreo de la Posterior por Recocido de Flujo (FAPS)

Planteamiento del Problema

El artículo aborda el desafío de la regresión fundamentada para procesos estocásticos, una tarea central en problemas inversos científicos, asimilación de datos y cuantificación de la incertidumbre. En estos entornos, el objetivo es inferir una distribución posterior sobre una función o campo físico desconocido dadas observaciones dispersas y ruidosas. Si bien la regresión clásica de Procesos Gaussianos (GP) ofrece una solución bayesiana para prioris gaussianos y modelos de observación simples, muchos procesos científicos son no gaussianos, de alta dimensión y se observan a través de mediciones físicas indirectas (por ejemplo, soluciones de Ecuaciones Diferenciales Parciales, o EDP).

Los enfoques existentes enfrentan limitaciones:

• Los Procesos Neuronales aprenden predictores condicionales amortizados, pero a menudo carecen de una consistencia posterior rigurosa ante variaciones en las discretizaciones de consulta y no separan explícitamente el aprendizaje del prior reutilizable de la inferencia en tiempo de prueba.
• Los Operadores Neuronales proporcionan mapas de solución de EDP eficientes, pero son típicamente deterministas y no generan distribuciones posteriores a partir de datos dispersos.
• Los Muestreadores de la Posterior basados en Difusión (por ejemplo, DAPS, FunDPS) combinan prioris aprendidos con guía de observación, pero suelen estar basados en difusión, son computacionalmente costosos y se centran primordialmente en configuraciones específicas de EDP en lugar de unificar la regresión y los problemas inversos.

Existe la necesidad de un marco general de muestreo de la posterior que aproveche los prioris de espacio de funciones preentrenados para realizar inferencia guiada por verosimilitud tanto para la regresión de procesos estocásticos directos como para problemas inversos de EDP sin la evaluación explícita de la densidad del prior.

Metodología: Muestreo de la Posterior por Recocido de Flujo (FAPS)

FAPS es un marco de muestreo de la posterior en el espacio de funciones construido sobre prioris de Emparejamiento de Flujo de Operadores (OFM) preentrenados. Unifica la regresión de procesos estocásticos y los problemas inversos de EDP a través de un procedimiento de recocido desacoplado.

1. Prior de Emparejamiento de Flujo en el Espacio de Funciones

El método utiliza un priorio OFM preentrenado, que aprende un flujo de probabilidad que transporta una medida gaussiana de referencia $\gamma = \mathcal{N}(0, C_0)$ hacia una distribución de datos objetivo $\mu_1$. Esto se logra mediante un operador neuronal $v_\theta$ entrenado para aproximar el campo de velocidad condicional $v_t(u_t | u_0, u_1) = u_1 - u_0$ a lo largo de un camino de interpolación recta ruidosa. El mapa de flujo resultante $\Phi_{s \to t}$ permite transportar muestras de la medida de referencia a la medida objetivo.

2. Formulación Unificada de la Posterior

FAPS trata tanto la regresión funcional como los problemas inversos de EDP bajo un único modelo de observación:
$$y = A(u_1) + \epsilon$$
donde $u_1$ es la función desconocida, $A$ es el operador de observación y $\epsilon$ es el ruido.

• Para la regresión funcional, $A$ es un operador de evaluación puntual directa o de enmascaramiento.
• Para los problemas inversos de EDP, $A$ es una composición de un operador de observación disperso y un sustituto de operador neuronal preentrenado $G_\phi$ que representa el mapa de solución de la EDP hacia adelante.

3. El Procedimiento de Recocido y Re-puenteo

FAPS muestrea de la posterior $\pi_1^y$ alternando entre tres pasos a través de un esquema de recocido $0 = t_0 < t_1 < \dots < t_K = 1$:

1. Transporte de Flujo (Hacia el Punto Final): Dada una condición de estado "ruidosa" $u_{t_k}$ en el nivel de recocido $t_k$, el método integra el flujo preentrenado hacia el punto final para obtener un ancla "limpia" $\hat{u}_k = \Phi_{t_k \to 1}(u_{t_k})$. Este ancla sirve como una estimación consistente con el prior de la función limpia.
2. Corrección de Langevin Guiada por Verosimilitud: Alrededor del ancla $\hat{u}_k$, FAPS realiza $L$ pasos de la dinámica de Langevin para corregir la muestra basada en la verosimilitud de la observación $p(y|u_1)$. La regla de actualización es:
   $$u_1^{(\ell+1)} = u_1^{(\ell)} + \eta \left[ -\frac{u_1^{(\ell)} - \hat{u}_k}{\lambda_k^2} + C_X \nabla_{u_1} \log p(y|u_1^{(\ell)}) \right] + \sqrt{2\eta} \zeta^{(\ell)}$$
   Crucialmente, el gradiente está precondicionado por una matriz de covarianza de bajo rango $C_X$, estimada fuera de línea a partir del proceso objetivo. Este precondicionador propaga la información de la observación dispersa a lo largo de las correlaciones dominantes en el espacio de funciones, mejorando significativamente las actualizaciones en regiones no observadas.
3. Re-puenteo: La muestra limpia corregida se re-puentea al siguiente nivel de recocido $t_{k+1}$ utilizando el núcleo de puente inducido por el camino del flujo, añadiendo efectivamente ruido de vuelta al estado para preparar la siguiente iteración.

Este proceso se repite hasta $t_K = 1$, produciendo muestras de la posterior sin evaluar nunca explícitamente la densidad del prior.

Principales Contribuciones

1. Primer Muestreador de la Posterior por Emparejamiento de Flujo Unificado en el Espacio de Funciones: FAPS se presenta como el primer marco que unifica la regresión de procesos estocásticos y los problemas inversos de EDP utilizando prioris de emparejamiento de flujo en el espacio de funciones preentrenados. Proporciona un muestreador común guiado por verosimilitud tanto para observaciones directas como indirectas.
2. Corrección de Langevin Precondicionada por Covarianza de Bajo Rango: El método introduce un precondicionador de covarianza de bajo rango para el paso de corrección de Langevin. Esto explota las correlaciones dominantes en el espacio de funciones, mejorando significativamente las actualizaciones de la posterior bajo observaciones dispersas en comparación con los métodos no precondicionados.
3. Inferencia Flexible y Computacionalmente Eficiente: FAPS es "plug-and-play", aprovechando los prioris preentrenados y los sustitutos de propagación hacia adelante. Soporta discretizaciones de consulta variables y observaciones ruidosas sin necesidad de reentrenamiento. Evita la evaluación explícita de la densidad del prior, lo que lo hace sustancialmente más eficiente en memoria y tiempo que el muestreo basado en la verosimilitud con prioris de flujo o los muestreadores basados en difusión.
4. Fuerte Desempeño Empírico: Experimentos extensos demuestran que FAPS alcanza un desempeño de vanguardia en la regresión funcional (superando a las variantes de Procesos Neuronales) y un desempeño competitivo o superior en problemas inversos de EDP en comparación con las bases de difusión.

Resultados Experimentales

El artículo evalúa FAPS en tres configuraciones:

• Regresión de Procesos Gaussianos: En benchmarks de Matérn 1D y de núcleo Gibbs, FAPS iguala estrechamente las medias y las incertidumbres de la posterior de referencia a través de diversas resoluciones de consulta (128, 512, 1024). Supera a los Procesos Neuronales (CNP, ANP, NDP, FlowNP) y al muestreo directo de OFM en Distancia de Wasserstein Segmentada (SWD) y Discrepancia de la Media Máxima (MMD), particularmente en resoluciones más altas donde los baselines se degradan.
• Regresión Funcional No Gaussiana: En conjuntos de datos de Navier-Stokes, imágenes de Agujeros Negros y Clima Global, FAPS reconstruye estructuras espaciales dominantes y produce muestras de la posterior coherentes. Logra la mejor o casi mejor calibración (SSR) y métricas de reconstrucción (CRPS, PSNR, SSIM) en comparación con los baselines, que a menudo sobre-suavizan o subestiman la incertidumbre.
• Problemas Inversos de EDP: En benchmarks inversos de Darcy flow, Poisson, Helmholtz y Navier-Stokes (resolución 128x128, 128 observaciones ruidosas), FAPS (tanto variantes FNO como UNet) logra resultados competitivos o mejores en CRPS, PSNR y SSIM comparado con DiffusionPDE, FunDPS y DDIS.
  • Eficiencia: FAPS es significativamente más rápido que los baselines basados en difusión (por ejemplo, 1.73x más rápido que DiffusionPDE, 2.37x más rápido que DDIS) y requiere sustancialmente menos memoria de GPU (evitando la alta sobrecarga de memoria de la evaluación explícita de la verosimilitud en los prioris de flujo o los grandes conteos de pasos de difusión).
  • Super-Resolución Zero-Shot: FAPS demuestra la capacidad de realizar inferencia inversa en mallas de consulta (por ejemplo, 160x160) no vistas durante el entrenamiento del prior, una capacidad habilitada por la naturaleza de espacio de funciones del prior de OFM.

Significado y Reivindicaciones

Los autores afirman que FAPS establece un nuevo paradigma para la inferencia consciente de la incertidumbre en el aprendizaje automático científico. Al convertir los prioris de emparejamiento de flujo en el espacio de funciones preentrenados en muestreadores de la posterior guiados por verosimilitud, FAPS ofrece una alternativa reutilizable, flexible y computacionalmente eficiente a los métodos existentes.

El artículo reconoce modestamente que el muestreador práctico depende de una aproximación de corrección gaussiana local y que una teoría de convergencia no asintótica completa para el muestreador práctico sigue siendo un trabajo futuro. Sin embargo, los autores proporcionan evidencia empírica y un análisis de propagación de errores sugiriendo que los errores de transición locales se acumulan de forma aditiva y que el método converge a la posterior objetivo a medida que se refinan la malla de recocido y los parámetros de muestreo.

En última instancia, el trabajo sugiere que los prioris de emparejamiento de flujo en el espacio de funciones pueden servir como una base robusta para la inferencia escalable en dominios científicos complejos, unificando la regresión y el modelado inverso bajo un único y eficiente marco de trabajo.