可训练扩散场与基于密度损失的生成式随机微分方程

研究提出一种 divergence-kernel 方法，联合优化神经随机微分方程（neural SDE）的漂移场、扩散场和初始高斯分布，采用直接依赖终端概率密度的损失函数。在二维和八维高斯混合实验中，该方法学习到时间无关的场，相比参数量相近的基于 score 的生成器，生成的偏离目标模态样本显著更少。漂移场负责吸引样本靠近模态，扩散场则帮助分散模态之间的过剩概率。