1.1 KiB
1.1 KiB
title, created, updated, type, tags, sources, confidence
| title | created | updated | type | tags | sources | confidence | ||||
|---|---|---|---|---|---|---|---|---|---|---|
| Unconditional Generation via Latent Reasoning | 2026-05-23 | 2026-05-23 | concept |
|
|
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。