Distill-Belief：物理场中的闭环逆向源定位与特征化
人工智能
2026-04-30 v1
摘要
闭环逆向源定位和特征化(ISLC)需要移动代理选择测量以定位源头并在严格时间限制下推断潜在场参数。核心挑战在于信念空间目标：有效不确定性估计需要昂贵的贝叶斯推断，而使用快速学习信念模型会导致奖励作弊，即策略利用近似误差而非实际减少不确定性。我们提出了 \textbf{Distill-Belief}，一个教师-学生框架，将正确性与效率解耦。贝叶斯正确的粒子滤波教师维持后验分布并提供稠密信息增益信号，而紧凑的学生将后验蒸馏为信念统计量用于控制并提供停止的不确定性证书。在部署时，仅使用学生模型，实现常数级的每步计算成本。在七种场模态和两种压力测试的实验中显示，Distill-Belief 在感知成本、成功率、后验收缩和估计精度方面 consistently 优于基线方法，同时缓解了奖励作弊。
引用
@article{arxiv.2604.26095,
title = {Distill-Belief: Closed-Loop Inverse Source Localization and Characterization in Physical Fields},
author = {Yiwei Shi and Zixing Song and Mengyue Yang and Cunjia Liu and Weiru Liu},
journal= {arXiv preprint arXiv:2604.26095},
year = {2026}
}