增强用集成方法的基于分数抽样方法
内容提要
该文汇总多项研究：集成抽样近似Thompson抽样以扩展至神经网络；基于评分的扩散模型去偏方法提升分子动力学模拟；反向扩散后验采样解决高维采样；集成评分滤波器无需训练即可高精度处理百万维非线性滤波；最优运输改进蒙特卡洛贝叶斯推断；深度集合优于贝叶斯神经网络；扩散模型伪集合改善数据同化；评分生成模型提升多尺度采样；生成式AI低成本生成可靠气象预测。
延伸解读
集成抽样如何扩展Thompson抽样
文章指出，集成抽样方法通过近似贝叶斯Thompson抽样，使其能够应用于神经网络等复杂模型。这种方法保持了可计算性，并提供了实验验证和理论依据。对于需要平衡探索与利用的序列决策问题，这意味Thompson抽样不再局限于简单模型，而可扩展到深度模型，但实际效果取决于近似质量。
无需训练的评分滤波器应对高维滤波
集成评分滤波器（EnSF）利用伪时间域中的评分扩散模型表示滤波密度演化，无需训练神经网络，而是通过小批量蒙特卡洛估计器直接近似评分函数。这节省了训练时间，并在高达1,000,000维的洛伦兹系统中表现出色。其分析更新步骤逐步融入数据信息，缓解了高维退化问题，为高维非线性滤波提供了新思路。
扩散模型在分子模拟与数据同化中的去偏与伪集合
基于评分的扩散模型去偏方法在温度加速分子动力学模拟中显著优于传统方法，能生成准确的无偏构象集合，适用于较高CV数量的模拟。同时，去噪扩散概率模型生成的伪集合用于数据同化，在模型不完美时表现更好。这些应用展示了扩散模型在科学计算中处理噪声和稀疏观测的潜力。
生成式AI与深度集合的实用优势
文章提到，深度集合在准确度和对数据集变化的鲁棒性上优于贝叶斯神经网络，随机初始化权重可探索不同函数空间。此外，生成式AI能从少量预测数据中低成本生成可靠的气象预测。这些进展表明，集成与生成方法在提升预测可靠性和降低计算成本方面具有实际价值。
Q&A
集成抽样方法如何近似Thompson抽样并扩展到神经网络？
集成抽样方法通过近似贝叶斯Thompson抽样算法，保持了可计算性，从而适用于更复杂的模型如神经网络，并提供了实验验证和理论依据。
基于评分的扩散模型去偏方法在分子动力学模拟中有什么优势？
该方法显著优于传统去偏方法，能够生成准确的无偏构象集合，适用于具有较高CV数量的模拟。
集成评分滤波器（EnSF）如何处理高维非线性滤波问题？
EnSF利用伪时间域中基于评分的扩散模型表示滤波密度演化，采用无需训练的评分估计方法（基于小批量的蒙特卡洛估计器），并逐步将数据信息融入评分函数，从而在高维非线性滤波中达到高精度，例如在高达1,000,000维的洛伦兹系统中表现优异。
最优运输方法如何改进蒙特卡洛贝叶斯推断？
通过解决离散随机变量的最优运输问题，提出一种新的转换方法，不依赖于先验和后验分布的任何先验假设，从而改进了蒙特卡洛方法中贝叶斯推断的实现方式。
深度集合与贝叶斯神经网络相比有何优势？
深度集合在提高准确度和对数据集变化的鲁棒性方面优于贝叶斯神经网络，并且随机初始化的权重可以探索不同的函数空间而产生更多样的结果。
扩散模型伪集合如何改善数据同化？
利用去噪扩散概率模型生成伪集合，该模型针对嘈杂和稀疏的观测数据进行训练，能生成与观测接近的发散集合。由于生成集合的方差，在模拟模型不完美时，该方法比成熟的集合数据同化方法表现更好。
