循环一致 Helmholtz 机器：通过反向推理实现目标引导仿真

Helmholtz 机器 (HM) 是一种无监督学习的基础架构，通过交替推理将自下而上识别模型与自上而下生成模型耦合在一起。然而，其依赖于对称、数据驱动的更新限制了其执行目标导向推理或模拟持续时间进程的能力。在本工作中，我们引入了一种新型扩展——循环一致 Helmholtz 机器 (C$^2$HM)，其将推理重新框定为一种以结构化内部先验条件为基础的「目标种子」式、「非对称」过程。与仅从感官数据推断潜在原因不同，C$^2$HM 通过递归的前向生成和逆向细化循环来模拟以抽象目标为条件所生成的合理潜在轨迹，并将其与观察结果对齐。这种循环一致的表述通过变分循环将自上而下的结构与自下而上的证据相结合，强制目标条件下潜在预测与基于识别的重构之间实现相互对齐。我们在「情境-内容不确定性原理」(CCUP) 的框架内正式化了此机制，后者认为推理通过对齐结构化的、低熵内容与高熵、模糊情境来实现。C$^2$HM 提升了表征效率，支持通过路径依赖推理实现记忆链，并实现空间构成性想象。通过提供一种受生物学启发的经典 amortize 推理替代方案，$C^2$HM 重新构想生成模型作为意图仿真， 将记忆基于的规划与无监督学习在统一的概率框架中实现整合。