メニュー
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。
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/hiyenwong/ai_collection --skill helmholtz-sde-simulation-free-latent-sdesコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
SOC 職業分類に基づく
SKILL.md を表示中
| 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