Helmholtz-SDE：无需数值模拟即可从噪声数据恢复动力学
scott_linderman · x · 2026-10-13
耶鲁 Scott Linderman 团队（Henry Smith 一作）将发布于 NeurIPS 2026 的新工作 Helmholtz-SDE，针对从噪声观测中学习动力系统（神经科学、物理等领域的常见问题）提出更快的 simulation-free 潜变量 SDE 推断算法。
核心内容：
- 现有 simulation-free VI 方法通过用瞬时边缘参数化后验来绕开数值模拟，但作者证明这把近似后验限制在模拟方法可用的 SDE 子集内，损害后验推断与参数学习
- Helmholtz-SDE 通过在与指定边缘集合兼容的路径律上优化，弥合了这一近似差距
- 在后验不确定性高时增益最大，推断保真度超过以往 simulation-free 方法，且以小得多的运行时间匹配基于模拟的 VI 性能
论文与代码均已公开。
「研究」频道最新
- DUET 论文：评分器与 Agent 同步进化，Finance Agent 达 96.5% — dair_ai · 2026-10-13
- Base Labs研究:模型迭代学习新事实,旧知识为何被覆盖遗忘 — baseten · 2026-10-13
- 部署正成机器人策略后训练的运营层:干活同时收集真实世界 RL 数据 — paigeinsf · 2026-10-13
- J++ Lens 可解释性新方法:忠实读出率比 J-Lens 提升 55% — wesg52 · 2026-10-13
- 空间生物学处理成本五年未降，仍需5000-10000美元每张切片 — anshulkundaje · 2026-10-13
- Google 研究让用户模拟器学会暗自评分，RL 训练算力省一半以上 — cocoweixu · 2026-10-13