仅学修正不学替代动力学，PR-Smoother平滑器可扩展至16384维流！
PR-Smoother: Simulator-Preserving Non-Gaussian Smoothing for Data Assimilation
📖 AI 总结
本文提出PR-Smoother，一种面向指定模拟器数据同化场景的摊销平滑方法。其核心设计是在证据下界和变分族中显式保留预设模拟器，仅学习围绕模拟器轨迹的未来条件修正，而非学习替代动力学或轨迹先验，从而在物理轨迹上给出显式的非高斯平滑分布，并支持仅从观测窗口联合学习状态、参数与传感器偏差。该变分族在确定性和线性高斯极限下包含精确平滑器。实验表明，PR-Smoother能在4维Lorenz-96中捕捉多峰后验，在40维Lorenz-96的模糊非线性观测与过程噪声下保持精度，并可扩展至16384维Kolmogorov流的联合状态-参数-偏差推断。该工作为高维非线性物理系统的数据同化提供了兼顾模拟器校准与非高斯后验表达的实用方案。
🔑 关键词速览
| 数据同化 (Data Assimilation, DA) | 将观测数据与物理模拟模型融合，以估计系统状态及其不确定性的方法。 |
| 非高斯平滑 (Non-Gaussian Smoothing) | 在给定全部观测序列的条件下，对状态轨迹进行后验推断，且允许后验分布偏离高斯形式。 |
| 摊销变分推断 (Amortized Variational Inference) | 训练一个参数化网络来快速近似后验分布，避免对每个新观测窗口重新优化。 |
| 证据下界 (Evidence Lower Bound, ELBO) | 变分推断中用于近似边际似然下界的优化目标，通常由重构项和KL散度组成。 |
| Lorenz-96 模型 | 一种常用于测试数据同化算法的高维混沌动力系统基准模型。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅