OneFlowSBI: Одна модель, множество запросов для симулирования на основе результатов

arXiv:2601.22951v2 Тип уведомления: заменить резюме: методы, основанные на имитационных выводах (SBI), обычно амортизируют один запрос, как правило задний, поэтому каждый дополнительный условный или маргинальный требует своей собственной модели. Существующие универсалисты амортизируют многие запросы в одном трансформаторе с одним символом на переменную, поэтому их затраты на внимание увеличиваются в квадратном выражении по количеству переменных. Мы внедряем OneFlowSBI, систему маскированного сопоставления потоков, которая обучает одну сеть совместному распределению параметров и наблюдений. В клеточной маске каждая из координат обозначена как наблюдаемая, генерируемая или отсутствующая, поэтому любой условный или маргинальный образец отбирается путем изменения маски. Маска — это не символизация, а входные данные, поэтому позвоночник может следовать структуре и масштабу данных по многим переменным. На высокомерных изображениях, деноминирующих и неглубоководческих выводах OneFlowSBI достигает меньшей задней ошибки по сравнению с исходными данными, выборки намного быстрее, чем глобалист на основе трансформатора, и обрабатывает отсутствующие регионы и партию