SDE匹配：潜在随机微分方程的可扩展且免模拟训练
机器学习
2025-06-27 v3 机器学习
摘要
潜随机微分方程（SDE）是时间序列和序列建模的强大工具。然而，训练潜SDE通常依赖于伴随灵敏度方法，该方法依赖于通过近似SDE解进行模拟和反向传播，这限制了可扩展性。在这项工作中，我们提出了SDE匹配，这是一种用于训练潜SDE的免模拟新方法。受现代得分匹配和流匹配算法学习生成动力学的启发，我们将这些思想扩展到时间序列和序列建模的随机动力学领域，消除了对昂贵数值模拟的需求。我们的结果表明，SDE匹配在性能上可与伴随灵敏度方法相媲美，同时大幅降低了计算复杂度。
引用
@article{arxiv.2502.02472,
title = {SDE Matching: Scalable and Simulation-Free Training of Latent Stochastic Differential Equations},
author = {Grigory Bartosh and Dmitry Vetrov and Christian A. Naesseth},
journal= {arXiv preprint arXiv:2502.02472},
year = {2025}
}