38 lines
1.3 KiB
Markdown
38 lines
1.3 KiB
Markdown
---
|
||
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]]
|