---
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]]