Variational Streaming Flow：物理时间中的概率预测

arXiv:2610.00976v1 公告类型：新摘要：概率预测对于预测复杂动力系统非常重要，因为内在的随机性和不完整的观测可能导致相同的观测状态演化出多个合理的未来。尽管流匹配是一种灵活的概率预测方法，但其计算成本高昂。Streaming flow（SF）通过直接在物理时间中学习连续速度场，重新构建了这一方法，从而能够高效地建模时间演化。然而，SF学习的是确定性速度场。因此，对于给定的固定初始状态和观测历史，它只能提供单一的未来轨迹。为克服这一局限性，我们提出了Variational Streaming Flow（VSF）。我们的方法学习一个以目标动力学为条件的潜在分布，进而实现概率预测。重要的是，我们通过在物理时间中生成预测，保留了SF的计算效率。在确定性和随机性动力系统上，VSF均展现出更高的预测准确性和分布保真度。我们在超过1,000步的长时域展开以及具有分岔动力学的场景中，都展示了VSF的优势。此外，VSF还可以作为即插即用的预测器，集成到现有的基于Joint-Embedding Predictive Architecture（JEPA）的世界模型中，从而提升导航、运动规划和操作任务中的时间动力学建模能力与目标导向成功率。