SDE Matching 系列新研究推进免模拟神经 SDE 时间结构学习

多项新研究将 SDE Matching 从一次性边缘分布扩展到在连续物理时间中直接学习生成模型，绕开扩散模型与 flow matching 的伪时间限制。其中《Gaussian Flow Dynamics》实现免模拟学习时间结构；《Closing the Approximation Gap in Simulation-free Latent SDEs》（即 Helmholtz-SDE，arXiv:2606.16138，Smith、Brian Trippe、Scott Linderman 等）填补了免模拟 Latent SDE 的近似缺口，其免仿真变分推断大幅加快了 Latent SDE 推断速度。

2026-10-06 ~ 2026-10-06 · 4 条相关

• Gaussian Flow Dynamics 新方法让神经 SDE 免模拟学习时间结构 — canaesseth · 2026-10-06
• Helmholtz-SDE 论文填补免模拟 Latent SDE 的近似缺口 — canaesseth · 2026-10-06
• SDE Matching 扩展至连续物理时间，绕开扩散模型伪时间限制 — canaesseth · 2026-10-06
• Helmholtz-SDE 论文：免仿真变分推断大幅提速 latent SDE 推断 — canaesseth · 2026-10-06