Les modèles de *flow matching* se sont imposés dans la génération de données, mais leur usage en conditions réelles suppose souvent de respecter des contraintes externes. Il peut s’agir, par exemple, de mesures observées, de conditions imposées par un problème inverse ou encore de lois physiques. Selon les auteurs de l’article MintFlow: Minimal Trajectory Intervention for Constrained Flow Matching, les méthodes existantes peinent encore à concilier deux objectifs: satisfaire ces contraintes et rester fidèle à la distribution apprise lors du préentraînement.
MintFlow cherche à résoudre ce compromis avec une approche dite de « minimal intervention ». Concrètement, la méthode n’altère pas le champ de flow préentraîné. Elle applique plutôt une perturbation minimale à un état intermédiaire de la trajectoire générative, de façon à ce que l’évolution ultérieure du système respecte la contrainte visée. L’idée centrale est de corriger le moins possible la trajectoire pour éviter une déformation excessive des échantillons produits.
L’article met aussi en avant un point d’efficacité computationnelle. Grâce à une formulation adjointe, MintFlow obtient une expression en forme fermée de cette perturbation, ce qui permettrait d’éviter des procédures d’optimisation itératives coûteuses. Les auteurs indiquent également que la méthode choisit de manière adaptative le moment de l’intervention, afin d’équilibrer l’ampleur de la correction nécessaire et son amplification par la dynamique restante du flow.
D’après le résumé arXiv, MintFlow a été évalué sur plusieurs tâches en vision générative et en modélisation de systèmes physiques. Les résultats annoncés suggèrent un niveau de satisfaction des contraintes compétitif, tout en préservant davantage la distribution générative préentraînée que des méthodes de référence. À ce stade, ces conclusions proviennent de la version initiale du papier déposée sur arXiv et devront être appréciées à la lumière d’évaluations indépendantes ou d’une future revue par les pairs.