📊 statistics

LatentFlow: A General Framework for Conditioning Stochastic Processes

LatentFlow es un marco de trabajo sin entrenamiento que permite el muestreo condicional exacto de procesos estocásticos diversos mediante la transformación del problema en una inferencia en el espacio latente tratable a través de un mapeo determinista y una única EDO de tiempo inverso.

Autores originales: Louis Sharrock, Lachlan Astfalck, Henry Moss

Publicado 2026-07-15

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Louis Sharrock, Lachlan Astfalck, Henry Moss

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes una máquina mágica y caótica que puede generar mundos infinitos. Tal vez sea un simulador de clima que escupe tormentas de lluvia, un motor financiero que predice caídas del mercado de valores o un modelo biológico que hace crecer células. Normalmente, ejecutar esta máquina es fácil: solo presionas "inicio" y la máquina avanza, creando una historia aleatoria.

Pero, ¿qué pasa si quieres forzar a la máquina a contar una historia específica? ¿Qué pasa si exiges: "Quiero una tormenta que golpee exactamente esta ciudad pero que evite aquella", o "Muéstrame una caída del mercado de valores donde el precio caiga por debajo de 87 pero la volatilidad se dispare por encima de 0.42"?

Durante mucho tiempo, los científicos tuvieron que construir una máquina nueva y personalizada para cada pregunta de tipo "¿qué pasaría si...?". Si querías cambiar las reglas, tenías que reconstruir el motor. Era lento, costoso y, a menudo, imposible para escenarios complejos.

Entra en escena LatentFlow, un nuevo marco de trabajo que actúa como un control remoto universal para estas máquinas caóticas. No necesita aprender nada, ni entrenar redes neuronales, ni memorizar datos. Simplemente funciona.

El ingrediente secreto: La "Innovación"

Los autores se dieron cuenta de que cada historia compleja generada por estas máquinas en realidad comienza con una semilla simple y limpia. Piensa en una película compleja (el resultado final) como algo que se construye a partir de un guion sencillo (la semilla).

En el lenguaje del artículo, llaman a esta semilla una "innovación latente". Es como un conjunto de números puros y aleatorios (generalmente extraídos de una simple curva de campana) que la máquina utiliza para construir su mundo. La máquina tiene una receta fija, un mapa determinista, que convierte estos números simples en la compleja realidad que vemos.

El gran avance es este: No intentes forzar a la película compleja a ajustarse a tus reglas. Fuerza al guion simple a ajustarse a tus reglas en su lugar.

Cómo funciona el truco de magia

LatentFlow utiliza una hábil danza de tres pasos para hacer que la máquina obedezca tus comandos:

Retroceder (Pull Back): Imagina que tienes una condición, como "El precio de la acción debe mantenerse por debajo de 87". En lugar de intentar descifrar cómo reacciona el complejo mercado de valores a esto, LatentFlow lleva esa regla hacia atrás a través de la receta de la máquina. Traduce la regla al lenguaje del guion simple (el espacio latente). De repente, una regla compleja e imposible de resolver se convierte en un problema matemático manejable sobre números simples.
El Flujo Guiado (The Guided Flow): Ahora, el artículo utiliza una técnica llamada "flujo de probabilidad guiado". Imagina que estás tratando de encontrar una aguja en un pajar, pero tienes una varita magnética que te atrae hacia la aguja. LatentFlow crea una varita magnética (un "campo de guía") que empuja suavemente los números aleatorios simples lejos de los malos resultados y hacia aquellos que satisfacen tus reglas. Lo hace resolviendo una única ecuación que corre hacia atrás en el tiempo, como rebobinar una cinta para encontrar el cuadro inicial perfecto.
Avanzar (Push Forward): Una vez que los números simples han sido moldeados de la forma correcta, los introduces de nuevo en la receta de la máquina. La máquina avanza y, ¡boom!, obtienes un mundo complejo que coincide perfectamente con tu condición.

Lo que esto NO es

Los autores son muy claros sobre lo que este método no es.

No es una red neuronal que necesite ser entrenada. No le proporcionas miles de ejemplos para que "aprenda" cómo condicionar. Funciona inmediatamente con la receta existente de la máquina.
No es una aproximación que adivina la respuesta. El artículo demuestra matemáticamente que, si pudieras ejecutar la matemática perfectamente, la respuesta sería exacta.
No está limitado a mundos simples y suaves. Funciona en distribuciones de "colas pesadas" (donde los eventos extremos ocurren con más frecuencia), sistemas discretos (como el cambio entre estados) e incluso simuladores de caja negra donde no puedes ver los engranjes internos.

¿Qué tan seguros están?

Los autores han realizado los cálculos para demostrar que este método es teóricamente exacto. Sin embargo, en el mundo real, tenemos que usar computadoras, lo que significa que tenemos que dar pasos diminutos (discretización) y usar un número limitado de conjeturas (muestreo de Monte Carlo).

El artículo admite que estos pasos prácticos introducen pequeños errores, pero estos son explícitos y sistemáticamente reducibles. Esto significa que, si quieres una respuesta más precisa, simplemente puedes aplicar más potencia de cómputo, y el error se reducirá cada vez más. No es un "tal vez"; es un "sí, con un margen de error conocido y corregible".

El demonio de la velocidad

Aquí está la parte que hace que los ojos de los autores brillen: La velocidad.
Debido a que LatentFlow no necesita entrenar un modelo, puede generar estas muestras condicionadas en segundos.

Para un modelo de epidemia complejo (SIR), tarda aproximadamente 1 segundo por muestra.
Para un modelo de mercado de valores (Heston), tarda unos 3 segundos.
Para una simulación de fluidos masiva y compleja (Allen-Cahn), tarda unos 2 segundos.

Todo esto ocurre en una sola CPU de escritorio. No se requieren supercomputadoras.

El patio de juegos del "¿Qué pasaría si...?"

El artículo exhibe LatestFlow condicionando todo tipo de escenarios salvajes:

Espacial: Crear un mapa donde la temperatura promedio en una región específica sea exactamente un número determinado, incluso si el modelo climático subyacente es desordenado y de cola pesada.
Temporal: Simular una célula diferenciándose en un tipo específico, o un mercado de valores cayendo exactamente cuando ocurre un pico de volatilidad.
Eventos Raros: Encontrar una trayectoria donde la población de un depredador aumenta a un número específico, o una reacción química activa un detector río abajo.

En el pasado, encontrar estos caminos específicos y raros era como intentar encontrar un grano de arena específico en una playa cavando al azar. LatentFlow te da un detector de metales que apunta directamente al oro.

El artículo concluye que esto no es solo una forma más rápida de hacer las cosas antiguas; es una nueva forma de pensar sobre el condicionamiento. Al trasladar el problema del mundo desordenado y complejo al mundo limpio y simple de la "innovación", han construido una llave universal que desbloquea cualquier proceso estocástico, sin importar cuán extraño o complejo sea, sin necesidad de aprender absolutamente nada.

Resumen Técnico: LatentFlow

Planteamiento del Problema

Los modelos de procesos estocásticos son generalmente sencillos de simular hacia adelante, pero notoriamente difíciles de condicionar ante observaciones, restricciones o eventos globales. El condicionamiento se vuelve intratable cuando se enfrenta a observaciones no lineales, verosimilitudes no gaussianas, información de caja negra o restricciones globales (por ejemplo, "el valor máximo supera un umbral" o "la trayectoria golpea un detector específico"). Tradicionalmente, abordar estos problemas de condicionamiento requiere construcciones específicas para cada modelo, tales como Monte Carlo por Cadenas de Markov (MCMC), Monte Carlo Secuencial (SMC), inferencia variacional o aproximaciones de Laplace. Estos métodos suelen ser costosos, aproximados o no logran escalar a través de diferentes clases de modelos. Si bien trabajos recientes como FlowGP (Moss et al., 2026) abordaron el condicionamiento para procesos gaussianos reformulándolo como una ecuación diferencial, un marco general y libre de entrenamiento para procesos estocásticos arbitrarios seguía siendo esquivo.

Metodología: LatentFlow

Los autores introducen LatentFlow, un marco unificado y libre de entrenamiento para el condicionamiento de procesos estocásticos. La idea central es que el condicionamiento no necesita realizarse directamente en el complejo espacio del proceso, sino que puede transferirse a un espacio de innovación latente tratable.

1. Representación de la Innovación Latente

El método se basa en la Asunción 2.1: cualquier proceso estocástico a priori $p_\vartheta(f_0)$ (donde $f_0$ es una discretización de dimensión finita) puede expresarse como la imagen determinista de una distribución de referencia simple. Específicamente, existe un mapa $T_\vartheta: \mathbb{R}^{m_\xi} \to E_m$ y una densidad de referencia $r$ (típicamente una gaussiana estándar $\mathcal{N}(0, I)$ ) tal que si $\xi_0 \sim r$ , entonces $f_0 = T_\vartheta(\xi_0) \sim p_\vartheta$ .

Esta representación es válida para una vasta gama de procesos, incluyendo procesos gaussianos, procesos de Student-t, procesos impulsados por SDE, SPDEs e incluso simuladores de caja negra (mediante transformaciones de integral de probabilidad o transformaciones de Rosenblatt).
El condicionamiento sobre la información $C$ (codificada por una verosimilitud $L_C$ ) se transfiere al espacio latente definiendo una verosimilitud latente $\Lambda_{\vartheta,C}(\xi_0) = L_C(T_\vartheta(\xi_0))$ . La densidad latente objetivo se convierte en $\rho_\vartheta(\xi_0 | C) \propto \Lambda_{\vartheta,C}(\xi_0) r(\xi_0)$ .

2. Flujos Latentes Guiados

Para muestrear de la intratable posterior latente $\rho_\vartheta(\cdot | C)$ , LatentFlow emplea un proceso de difusión de tiempo inverso guiado (o un ODE de flujo de probabilidad) en el espacio latente.

Puente de Ruido: Se define un proceso de ruido de preservación de la varianza (VP) en el espacio latente: $\xi_t = \alpha(t)\xi_0 + \sigma(t)\epsilon$ , donde $\epsilon \sim \mathcal{N}(0, I)$ .
Campo de Guía: El método define un campo de guía $g(t, u) = \nabla_u \log \psi(t, u)$ , donde $\psi(t, u)$ es la verosimilitud latente esperada bajo el puente de ruido. Este campo dirige la dinámica de tiempo inverso hacia regiones de alta verosimilitud.
Guía de Monte Carlo: Dado que $g(t, u)$ rara vez está disponible en forma cerrada, se estima mediante Monte Carlo. Para un estado dado $u$ en el tiempo $t$ , se extraen $S$ muestras de la distribución del puente condicional, y se estima el gradiente del logaritmo de la verosimilitud utilizando un esquema de ponderación de importancia auto-normalizado. Esto permite al método manejar simuladores no diferenciables mediante estimadores libres de derivadas o relajaciones.
Muestreo: El muestreador resuelve la SDE de tiempo inverso (o el ODE) numéricamente, comenzando desde un estado ruidoso (aproximado por la distribución de referencia) e integrando hacia atrás hasta $t=0$ para obtener una muestra $\xi_0$ . La muestra del proceso condicionado se recupera entonces mediante $f_0 = T_\vartheta(\xi_0)$ .

3. Estimación de Parámetros

El marco se extiende a la estimación de parámetros consciente de la guía. Al tratar la constante de normalización $Z_\vartheta$ (la evidencia) como una función objetivo, los autores proponen un esquema de optimización de bucle externo. Los gradientes de la evidencia con respecto a los hiperparámetros $\vartheta$ se estiman utilizando las mismas muestras latentes generadas durante el proceso de condicionamiento, lo que permite la inferencia conjunta de parámetros y condicionamiento sin necesidad de reentrenar una red neuronal.

Contribuciones Clave

Un Marco General y Libre de Entrenamiento: LatentFlow proporciona un método único para el condicionamiento de diversos procesos estocásticos (GP, procesos de cola pesada, SDE, SPDE, procesos discretos y simuladores de caja negra) sin requerir el entrenamiento de modelos de score neuronales o generadores condicionales.
Exactitud y Aproximación Controlable: La construcción es demostrablemente exacta al nivel de la ley objetivo. Los errores prácticos surgen únicamente de tres fuentes explícitas y sistemáticamente reducibles: el ruido terminal finito, la aproximación de la guía de Monte Carlo y la discretización temporal.
Escalabilidad y Velocidad: El método reduce el condicionamiento a la resolución de una única SDE de tiempo inverso. Los experimentos demuestran que las muestras condicionadas pueden generarse en segundos en una CPU de escritorio estándar, incluso para modelos complejos y de alta dimensión donde el MCMC tradicional colapsa o es prohibitivamente lento.
Garantías Teóricas: El artículo proporciona pruebas formales de la equivalencia de los objetivos latentes y de proceso (Proposición 2.2) y límites de estabilidad para las aproximaciones numéricas y de guía (Apéndice D). También establece una interpretación dinámica de la maximización de la evidencia como un equilibrio entre la satisfacción de la condición y la "energía de guía" (Teorema E.5).

Resultados Experimentales

Los autores evalúan LatentFlow a través de un amplio espectro de procesos estocásticos a priori:

Procesos Espaciales: Condicionamiento de modelos gaussianos, Student-t, de convolución de Cauchy y de Potts sobre observaciones puntuales, datos censurados y resúmenes regionales (medias/máximos). LatentFlow produjo muestras en 3–4 segundos por muestra, preservando los comportamientos de cola distintivos y las estructuras discretas de cada a priori.
Procesos Temporales: Generación de puentes de difusión para procesos de Ornstein-Uhlenbeck, modelos de diferenciación celular y sistemas de FitzHugh–Nagumo. Condicionó con éxito modelos de Lotka–Volterra, epidemias SIR y volatilidad estocástica de Heston sobre eventos raros (por ejemplo, caídas del mercado, auges de presas) y restricciones de trayectoria, logrando tiempos de muestreo de <1 a 3 segundos.
Procesos Espacio-Temporales: Condicionamiento de SPDEs de Allen–Cahn, advección-difusión y FitzHugh–Nagumo sobre sensores dispersos, evasión de obstáculos y golpes de detectores. El método manejó dimensiones latentes de hasta 122K, generando muestras válidas en 1–5 segundos.
Benchmarks: En distribuciones desafiantes estándar (Banana, Ring, Mezcla de Gaussianas), LatentFlow logró puntuaciones de Discrepancia de la Media Máxima Cuadrática (MMD²) competitivas o superiores a NUTS, produciendo simultáneamente muestras independientes con un Tamaño de Muestra Efectiva por segundo (ESS/s) significativamente mayor.
Estimación de Parámetros: El esquema consciente de la guía recuperó con éxito los hiperparámetros reales (por ejemplo, escalas de longitud en campos de Cauchy, tasas en modelos de Lotka–Volterra) mediante la optimización de la evidencia, superando los enfoques de parámetros fijos.

Significación y Reivindicaciones

El artículo sostiene que LatentFlow representa un cambio fundamental en la capacidad de condicionamiento de procesos estocásticos. Al trasladar el problema de condicionamiento del espacio del proceso al espacio de innovación latente tratable, unifica el tratamiento de modelos que anteriormente requerían muestreadores dispares, costosos o aproximados.

Los autores enfatizan que este es el primer método general capaz de condicionar una amplia clase de procesos estocásticos (incluyendo modelos no gaussianos, de cola pesada y definidos por simuladores) en tiempo real en hardware estándar. A diferencia de los métodos basados en difusión que requieren el preentrenamiento en grandes conjuntos de datos, LatentFlow es "libre de entrenamiento", basándose únicamente en el mapa generativo $T_\vartheta$ conocido y en las evaluaciones puntuales de la verosimilitud. El método se destaca particularmente por su capacidad para manejar eventos de condicionamiento raros, no lineales o globales bajo distribuciones a priori no gaussianas, un dominio donde los métodos tradicionales suelen fallar o volverse computacionalmente intratables.

El documento mantiene un tono modesto respecto a las limitaciones, reconociendo que el rendimiento depende de la tratabilidad de la representación latente y la suavidad de la verosimilitud proyectada. Los simuladores discontinuos o las restricciones estrictas pueden requerir relajaciones o guías libres de derivadas, pero el marco sigue siendo aplicable mediante estas adaptaciones.