title, created, updated, type, tags, sources, confidence
| title |
created |
updated |
type |
tags |
sources |
confidence |
| 隐式过程 (Implicit Processes) |
2026-06-17 |
2026-06-17 |
concept |
| bayesian-deep-learning |
| stochastic-processes |
| generative-models |
|
| raw/papers/ortega-phd-thesis-2026.md |
|
high |
隐式过程 (Implicit Processes)
隐式过程是一类可通过采样定义但无显式概率密度的随机过程——ortega-phd-thesis将其扩展到深度架构形成 deep-variational-implicit-process。
定义
隐式过程 f ~ IP(g_θ, P_z)：
g_θ：确定性的生成器网络（带参数 θ）P_z：隐变量 z 的简单先验（如 N(0,I)）- 采样 f 只需：z ~ P_z → f(·) = g_θ(·; z)
与高斯过程的对比
| 维度 |
GP |
Implicit Process |
| 密度 |
显式（多元高斯） |
隐式（无解析形式） |
| 先验 |
高斯 |
任意（由 g_θ 决定） |
| 推断 |
解析（GP 回归） |
变分推断 |
| 表达力 |
由核决定 |
由 g_θ 架构决定 |
优势
- 非高斯性：可建模多模态、重尾分布
- 深度化：P_z → g_θ 是深度网络，表达力远超 GP 核
- 采样高效：仅需一次前向传播
参考
