Twincher：面向连续系统鲁棒逆问题的双向表示学习

近期人工智能的进展主要依赖大规模神经网络架构，这些架构在函数逼近方面表现优异，而非以精准的归纳偏置和推理或学习策略为导向，后者在资源高效的现实世界感知与规划中解决逆问题方面可能更为重要。本文考察通过学习表示来实现对连续前向过程 $p \mapsto y$ 的鲁棒逆向转换，即学习的表示需与 $p$ 双向对齐，同时对由噪声或模型不匹配引起的 $y$ 扰动保持不敏感性。我们提出Twincher，一种基于结构可微变换堆叠和量身定制的对抗训练策略的架构类，能够实现此类双向表示学习。我们提供公开的API用于训练与推理，并通过实验演示所提出架构在学习合成系统的双向表示方面的能力，从而实现鲁棒且高效的迭代逆向推理。在与基线逆模型方法比较时，该方法在数据效率和鲁棒性方面表现出改进，提供了双向表示学习在机器人、计算机视觉及物理AI领域潜力的初步证据。