34 lines
1.1 KiB
Markdown
34 lines
1.1 KiB
Markdown
---
|
||
title: "Unconditional Generation via Latent Reasoning"
|
||
created: 2026-05-23
|
||
updated: 2026-05-23
|
||
type: concept
|
||
tags: [generation, unconditional, latent]
|
||
sources: [raw/papers/gram-generative-recursive-reasoning-2026.md]
|
||
confidence: medium
|
||
---
|
||
|
||
# Unconditional Generation via Latent Reasoning
|
||
|
||
> GRAM 的独特性：同一个递归潜在模型在无输入或固定输入时，可以执行**无条件生成**——从先验分布中采样推理轨迹并解码出数据。
|
||
|
||
## 工作原理
|
||
|
||
- 条件推理：p_theta(y|x) — 输入 x -> 推理 -> 输出 y
|
||
- **无条件生成**：p_theta(x) — 从先验采样轨迹 -> 解码为数据（如 MNIST 数字）
|
||
|
||
## 为什么重要
|
||
|
||
- 证明 GRAM 不仅是推理引擎，也是**生成模型**
|
||
- 同一架构在推理和生成两个方向上一致
|
||
- 暗示潜在推理轨迹编码了**数据生成过程**
|
||
|
||
## 实验验证
|
||
|
||
Binarized MNIST：GRAM 在无条件生成上展现出清晰的数字结构，证实了潜在递归过程可以学会生成数据的结构。
|
||
|
||
## 相关概念
|
||
|
||
- [[latent-variable-generative-model]]
|
||
- [[gram-generative-recursive-reasoning|GRAM]]
|