본 논문은 베이지안 역문제 해결의 높은 계산 비용 문제를 해결하기 위해, Conditional Flow Matching (CFM)과 transformer 기반 아키텍처를 통합한 새로운 프레임워크를 제안합니다. 이 프레임워크는 데이터로부터 조건부 확률 궤적을 직접 학습하여 반복적인 시뮬레이션을 피하고 임의의 관측 수를 처리할 수 있도록 함으로써 복잡한 사후 분포로부터 빠르고 유연한 샘플링을 가능하게 합니다. 비선형 모델, 질병 역학 프레임워크, 2차원 Darcy 유동 편미분 방정식 등 세 가지 문제에 적용하여 그 효과를 입증하였으며, 매개변수 복구의 상대 오차는 1.5% 수준으로 낮았고, MCMC와 비교하여 CPU에서 최대 2000배의 추론 시간 단축을 달성했습니다. 학습된 조건부 분포로부터의 샘플링을 활용하여 베이지안 문제를 신속하게 해결하는 것을 가능하게 합니다.
