用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/hiyenwong/ai_collection --skill helmholtz-sde-simulation-free-latent-sdes命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
基于 SOC 职业分类
正在显示 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