20260601

concepts/latent-variable-generative-model.md

@@ -0,0 +1,37 @@
+---
+title: "Latent-Variable Generative Model（潜在变量生成模型）"
+created: 2026-05-23
+updated: 2026-05-23
+type: concept
+tags: [generative-model, latent-variable, probabilistic]
+sources: [raw/papers/gram-generative-recursive-reasoning-2026.md]
+confidence: high
+---
+
+# Latent-Variable Generative Model
+
+> GRAM 的概率视角：将递归推理形式化为潜在变量生成模型，推理轨迹是潜在变量 z，通过边缘化得到预测。
+
+## 两种模式
+
+- **条件推理**: p_theta(y|x) — 给定输入 x，推理产生 z_T，解码得到 y
+- **无条件生成**: p_theta(x) — 固定或缺失输入时，同样的递归过程可以生成数据
+
+## 为什么这个形式化重要
+
+1. **统一框架**：推理和生成是同一模型的两个方向
+2. **概率解释**：不确定性自然内建于模型
+3. **训练目标清晰**：[[amortized-variational-inference]] 最大化 ELBO
+
+## 与 VAE 的关系
+
+GRAM 可以看作针对递归推理特化的 VAE 变体：
+- VAE: z ~ q_phi(z|x), p_theta(x|z)
+- GRAM: z = 递归轨迹, p_theta(y|z), p_theta(x)
+- 区别：GRAM 的潜在变量是**结构化序列**，而非单一向量
+
+## 相关概念
+
+- [[amortized-variational-inference]]
+- [[gram-generative-recursive-reasoning|GRAM]]
+- [[unconditional-generation-latent]]