PPR-2602.04770 Paper

定位

Deng、Li、Li、Du、He（arXiv 2026）提出的 Drifting。生成建模被表述为学习一个映射 \(f\)，使其 pushforward 分布匹配数据分布；pushforward 行为可在推理时迭代执行（如扩散/flow 模型）。Drifting 的立点是：把 pushforward 分布的演化放到训练期做，因而天然允许一步推理。方法引入一个 drifting field 支配样本移动，当生成分布与数据分布匹配时该场达到平衡，由此给出一个让神经网络优化器演化分布的训练目标。实验报告一步生成器在 ImageNet \(256\times256\) 上达到当时最优，latent 空间 FID 1.54、像素空间 FID 1.61。

方法（机制要点）

• 训练期演化 pushforward：不同于扩散/flow 在推理时迭代地把噪声运到数据，Drifting 在训练期就让分布演化。
• drifting field：支配样本移动的场，在分布匹配时归零，充当损失。
• 一步推理：演化发生在训练期，推理只需一次网络求值。

与本库的关系

PPR-2607.02375（RDM）把本工作点名为 RDM 范式的先前实例之一（“the drifting field... measures pairwise kernel forces within each batch and reads its real reference off that same batch”），并指出其代价：每个 batch 重建参考，成本把它限制在小 batch，而小 batch 恰是分布估计噪声最大的地方。本卡为该命名提供库内锚点。

承重关系

• 谱系定位：RDM（PPR-2607.02375）先前实例之一；与 FD-loss（PPR-2604.28190）、W-Flow（PPR-2605.11755）同属该范式。
• provenance：v2 tarball sha256 dc2282dc…07361357，缓存 cache/sources/2602.04770/。