超级会员免费看
目录
3.2 分数匹配 + Diffusion + Operator
1️⃣ 变分推断 + 正规化流（Variational Inference & Normalizing Flows）
2️⃣ 分数匹配 + 随机微分方程（Score Matching & SDEs）
2.2.1 分数匹配损失（Sliced Score Matching)
3️⃣ 神经算子 + 不确定性量化（Neural Operator + Uncertainty Quantification）
Deep Integration of Bayesian Inference & Generative Models
1. 背景与动机
传统的物理信息神经网络（Physics‑Informed Neural Network, PINN）以确定性 PDE 的解为目标：
贝叶斯推断给出了自然的框架，但直接对高维函数空间做采样（如 MCMC）几乎不可行。
生成式模型（Normalizing Flows, Diffusion Models, GANs 等）能够 逼近 任意连续分布，并且提供可逆映射或 SDE 轨迹，从而实现高效采样。
本讲的核心思想是：将 贝叶斯推断 的目标函数与 生成式建模 的学习机制深度融合，以在保持物理一致性的前提下，高效地从后验分布中采样。
订阅专栏 解锁全文
402
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
