القائمة
Helmholtz-SDE仿真自由潜在随机微分方程变分推断方法。通过优化与规定边缘分布兼容的路径定律，闭合近似差距，在高后验不确定性下更忠实恢复动力学。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/hiyenwong/ai_collection --skill helmholtz-sde-simulation-free-latent-sdesيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | helmholtz-sde-simulation-free-latent-sdes |
| description | Helmholtz-SDE仿真自由潜在随机微分方程变分推断方法。通过优化与规定边缘分布兼容的路径定律，闭合近似差距，在高后验不确定性下更忠实恢复动力学。 |
| arxiv_id | 2606.16138 |
| authors | Henry D. Smith, Brian L. Trippe, Scott W. Linderman |
| published | 2026-06-15T00:00:00.000Z |
| categories | stat.ML, cs.LG |
从噪声观测恢复动力系统是神经科学和物理学的核心挑战。潜在随机微分方程(SDE)建模未观测状态按可学习SDE演化并生成观测。变分推断(VI)拟合潜在SDE。传统VI算法通过时间离散化的数值仿真评估目标，牺牲保真度换取计算成本。仿真自由VI通过瞬时边缘分布参数化后验，避免权衡。本文揭示仿真自由VI的代价：参数化限制后验为仿真方法SDE的子集，退化后验推断和参数学习。提出Helmholtz-SDE，通过优化与规定边缘分布兼容的路径定律闭合差距，在高后验不确定性下更忠实恢复动力学。
后验路径 → 数值离散化 → 高保真度高成本
瞬时边缘参数化 → 低成本低保真度
现有仿真自由方法的后验参数化被限制在仿真方法可达SDE的子集，导致：
传统VI: q(θ|x) = 参数化漂移
Helmholtz-SDE: q(θ|x) = 路径定律 + 边缘兼容约束
L = E_q[log p(x|θ)] - KL(q||p)
传统: 仿真评估KL → 数值积分
Helmholtz: 闭式评估KL → 边缘分布积分
# Step 1: 边缘分布参数化
class MarginalPosterior:
def __init__(self, dim, timesteps):
self.mu = Parameter(torch.randn(dim, len(timesteps)))
self.sigma = Parameter(torch.randn(dim, len(timesteps)))
def sample_path(self):
# 从边缘分布采样路径
# 使用Gaussian marginals interpolation
return sample_gaussian_path(self.mu, self.sigma)
# Step 2: 路径定律兼容性
def compatible_path_law(marginals, drift_fn):
# 检查路径定律是否与边缘分布兼容
# 使用Fokker-Planck方程约束
consistency = compute_fp_consistency(marginals, drift_fn)
return consistency
# Step 3: Helmholtz变分目标
def helmholtz_vi_loss(marginals, observations, drift_fn):
# 闭式KL项（边缘分布积分）
kl_term = closed_form_kl(marginals, prior_marginals)
# 似然项（观测生成）
likelihood = compute_likelihood(marginals, observations)
# 路径兼容约束
compatibility = compatible_path_law(marginals, drift_fn)
# 总损失
loss = -likelihood + kl_term - compatibility
return loss
# Step 4: 优化
optimizer = Adam([marginals.mu, marginals.sigma])
for epoch in range(num_epochs):
path = marginals.sample_path()
loss = helmholtz_vi_loss(marginals, obs, drift)
loss.backward()
optimizer.step()
| 方法 | 保真度 | 成本 | 不确定性处理 |
|---|---|---|---|
| 仿真VI | 高 | 高 | 中等 |
| 现有仿真自由VI | 低 | 低 | 退化 |
| Helmholtz-SDE | 高 | 低 | 优 |
Smith HD, Trippe BL, Linderman SW. (2026) "Closing the Approximation Gap in Simulation-free Latent SDEs" arXiv:2606.16138
Helmholtz-SDE, 仿真自由变分推断, 潜在随机微分方程, 路径定律, 边缘分布参数化, 神经动力学恢复, 变分推断差距, 闭式KL评估, 后验兼容性约束, 随机动力学建模