Flow Matching & Rectified Flow: 解释条件流匹配与边缘流匹配的差异。

Core Concept: 边缘流匹配的目标不可计算（需知道整个分布）；条件流匹配用可采样的条件路径，且其梯度与边缘相同。

数学机理：<strong>两个概念</strong>。(1) <strong>边缘流匹配（Marginal FM）</strong>——目标向量场 v_marginal(x,t) 是<strong>真实边缘分布</strong> p_t(x) 演化的速度（满足连续性方程 ∂_t p_t+∇·(p_t v)=0）；<strong>问题</strong>——p_t 未知（它是'所有条件路径的混合'），故 v_marginal <strong>不可计算</strong>（需对整个分布积分）。(2) <strong>条件流匹配（Conditional FM）</strong>——对每对 (x_0,x_1) 定义一条<strong>条件路径</strong>（如直线），其速度 v_cond(x_t,t)=x_1−x_0（可计算，因为只需一对样本）；故 L_CFM=E‖v_θ−v_cond‖² <strong>可直接优化</strong>。<strong>关键定理（FM 论文的核心结果）</strong>——<strong>两者的梯度相同</strong>：∇_θ E‖v_θ−v_cond‖²=∇_θ E‖v_θ−v_marginal‖²（在 v_θ 对所有 (x,t) 的期望意义上）。<strong>证明思路</strong>——(a) 展开损失：E‖v_θ‖²−2E⟨v_θ,v_cond⟩+E‖v_cond‖²；(b) 第三项与 θ 无关；第二项中 <strong>E[v_cond|x_t=x]</strong>（给定 x_t 时的条件速度期望）<strong>恰好等于 v_marginal(x,t)</strong>（因为边缘流是条件流的'条件期望'）；(c) 故'用 v_cond 做回归'与'用 v_marginal 做回归'对 θ 的梯度相同。<strong>直觉</strong>——'用条件速度的平均'就是'边缘速度'；故用可采样的条件速度训练，等价于用不可计算的边缘速度训练。<strong>条件路径的选择</strong>——(a) <strong>直线路径</strong>（x_t=(1−t)x_0+tx_1）——最简单、速度恒定；(b) <strong>扩散路径</strong>（x_t=√ᾱ_t x_0+√(1−ᾱ_t)ε）——等价于扩散（FM 与扩散统一）；(c) <strong>OT 路径（最优传输）</strong>——使路径'尽量不交叉'（见 OT 题）；(d) <strong>VP/VE 路径</strong>（方差保持/爆炸）。<strong>选择的影响</strong>——(a) 影响'路径的直度'（→ 采样步数）；(b) 影响'训练目标的方差'（某些路径的 v_cond 方差更大）；(c) 影响'与预训练模型的兼容性'。<strong>实践</strong>——(a) FM 训练时<strong>随机采 t 与配对</strong>、回归 v_cond（简单高效）；(b) 推理时用 ODE 求解器积分；(c) 条件路径可选（SD3 用'logit-normal 时间采样 + 特定路径'）。<strong>与 score matching 的关系</strong>——扩散的'去噪 score matching'也是'条件回归等价于边缘回归'（E[∇log p(x_t|x_0)|x_t]=∇log p_t(x_t)）；故两者是同一思想的两种表述。

深度剖析与工程权衡：① <strong>'条件期望 = 边缘量'是核心数学结构</strong>——FM 与 score matching 都依赖它；面试中能指出这一共性（'用可计算的条件量替代不可计算的边缘量'）是深度理解的标志。② <strong>'条件路径选择影响采样效率'</strong>——直线路径最易少步采样；扩散路径兼容预训练；OT 路径减少交叉。③ <strong>'与扩散的统一'</strong>——扩散可视为'特定条件路径（加噪路径）的 FM'；故 FM 是更一般的框架（而扩散是特例）。④ <strong>'时间采样分布的影响'</strong>——训练时 t 的采样分布（均匀 vs logit-normal）影响'各时间步的训练权重'，从而影响质量；SD3 用 logit-normal（偏向中间 t）。⑤ <strong>'训练目标的方差'</strong>——不同路径的 v_cond 方差不同（如'加噪路径'在 t 大时 v_cond 尺度大）；这影响训练稳定性（与扩散的参数化问题同源）。⑥ <strong>面试要点</strong>——被问'条件 vs 边缘流匹配'，应给出'<strong>边缘流不可计算（需整个分布）+ 条件流可采样 + 两者梯度相同（条件期望 = 边缘量）</strong>'与'<strong>条件路径可选（直线/扩散/OT）</strong>'；能指出'与 score matching 的同一结构'是深度理解的标志。