# 基于分数的扩散采样

金融情景生成常把扩散采样器压到很少的函数调用次数，时间网格的离散误差会悄悄扭曲协方差、尾部与回撤代理等终端报告。TAPES把网格构造当作面向终端报告的数值问题：用Richardson比较估计每步的带符号局部缺陷，经剩余离散流和终端报告伴随反向传播，再最小化其和的平方并做有上限的直接精修。在Regime-SV与Mag7两个数据源、六个预算下，TAPES在报告的五条流水线中取得全部24个数据集—预算—报告行的最低设计误差与审计误差，跨预算平均审计误差相对降幅约10–11%与约1%。

金融情景生成常把扩散采样器压到很少的函数调用次数，时间网格的离散误差会悄悄扭曲协方差、尾部与回撤代理等终端报告。TAPES把网格构造当作面向终端报告的数值问题：用Richardson比较估计每步的带符号局部缺陷，经剩余离散流和终端报告伴随反向传播，再最小化其和的平方并做有上限的直接精修。在Regime-SV与Mag7两个数据源、六个预算下，TAPES在报告的五条流水线中取得全部24个数据集—预算—报告行的最低设计误差与审计误差，跨预算平均审计误差相对降幅约10–11%与约1%。

该工作提出仿射后处理：把固定的分数估计计算预算拆分到多个信号水平上查询基础估计器，再用线性组合（岭回归/线性平滑）池化这些估计，并证明在计算量匹配时，这种拆分-池化估计比单点同策略估计有更低的分数误差，在病态高斯、多峰混合与高维目标上把终端 Wasserstein 距离最多降低两个数量级。

该工作提出仿射后处理：把固定的分数估计计算预算拆分到多个信号水平上查询基础估计器，再用线性组合（岭回归/线性平滑）池化这些估计，并证明在计算量匹配时，这种拆分-池化估计比单点同策略估计有更低的分数误差，在病态高斯、多峰混合与高维目标上把终端 Wasserstein 距离最多降低两个数量级。