Andrew Zammit‐Mangion

空间预测的目标是给定观测后潜在空间场的条件分布，这一分布通常没有闭式解，也难以抽样。引导扩散把过程模型与数据模型拆开：先无条件地学一个过程模型的扩散模型，预测时再把可微的似然梯度加进反向扩散，因此同一个训练好的过程模型可以服务多种数据模型。在高斯过程、Ginzburg–Landau 振幅场以及英国与爱尔兰甲烷通量反演中，该方法给出的预测分布与精确解或 MCMC 接近，并在更高空间分辨率下按潜场维度线性扩展。

空间预测的目标是给定观测后潜在空间场的条件分布，这一分布通常没有闭式解，也难以抽样。引导扩散把过程模型与数据模型拆开：先无条件地学一个过程模型的扩散模型，预测时再把可微的似然梯度加进反向扩散，因此同一个训练好的过程模型可以服务多种数据模型。在高斯过程、Ginzburg–Landau 振幅场以及英国与爱尔兰甲烷通量反演中，该方法给出的预测分布与精确解或 MCMC 接近，并在更高空间分辨率下按潜场维度线性扩展。