概念Neural SDE / 神经随机微分方程
神经SDE
用神经网络参数化随机微分方程漂移项和/或扩散项的一类生成模型，标准形式为 dX_t = f_θ(X_t,t)dt + g_φ(X_t,t)dW_t。
时间轴 (近 90 天)
11月2日
一种基于散度核的方法能够联合优化神经SDE的漂移场、扩散场以及初始高斯分布，并直接使用依赖于终端密度的损失函数进行训练。
待验证50%
11月2日
神经SDE是指用神经网络参数化随机微分方程的漂移项和/或扩散项的一类模型，标准形式为 dX_t = f_θ(X_t, t)dt + g_φ(X_t, t)dW_t。
待验证50%
11月2日
训练神经SDE通常需要模拟路径或求解Fokker-Planck方程来获得终端密度，计算成本较高。
待验证50%
11月2日
本文通过散度核损失绕过了显式路径模拟，使得联合训练变得可行。
待验证50%
11月2日
该工作的意义在于提供了一种新的生成模型训练范式：将SDE的扩散项也作为可学习组件，并直接优化终端密度。
待验证50%
全部知识事实 (5)
待验证
一种基于散度核的方法能够联合优化神经SDE的漂移场、扩散场以及初始高斯分布，并直接使用依赖于终端密度的损失函数进行训练。
50%待验证神经SDE是指用神经网络参数化随机微分方程的漂移项和/或扩散项的一类模型，标准形式为 dX_t = f_θ(X_t, t)dt + g_φ(X_t, t)dW_t。
50%待验证训练神经SDE通常需要模拟路径或求解Fokker-Planck方程来获得终端密度，计算成本较高。
50%待验证本文通过散度核损失绕过了显式路径模拟，使得联合训练变得可行。
50%待验证该工作的意义在于提供了一种新的生成模型训练范式：将SDE的扩散项也作为可学习组件，并直接优化终端密度。
50%