📊 statistics

LatentFlow: A General Framework for Conditioning Stochastic Processes

LatentFlow est un cadre général sans entraînement qui permet l'échantillonnage conditionnel exact de processus stochastiques divers en transformant le problème en une inférence dans l'espace latent traitable via une application déterministe et une unique SDE de temps inverse.

Auteurs originaux : Louis Sharrock, Lachlan Astfalck, Henry Moss

Publié 2026-07-15

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Louis Sharrock, Lachlan Astfalck, Henry Moss

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous possédez une machine magique et chaotique capable de générer des mondes infinis. Peut-être est-ce un simulateur météorologique qui recrache des tempêtes de pluie, un moteur financier qui prédit les krachs boursiers, ou un modèle biologique qui fait croître des cellules. Habituellement, faire fonctionner cette machine est facile : il suffit d'appuyer sur « start », et elle avance, créant une histoire aléatoire.

Mais que se passe-t-il si vous voulez forcer la machine à raconter une histoire spécifique ? Et si vous exigiez : « Je veux une tempête qui frappe exactement cette ville mais en évite une autre », ou « Montrez-moi un krach boursier où le prix descend en dessous de 87 mais où la volatilité grimpe au-dessus de 0,42 » ?

Pendant longtemps, les scientifiques ont dû construire une machine entièrement nouvelle et sur mesure pour chaque question de type « et si ». Si vous vouliez changer les règles, vous deviez reconstruire le moteur. C'était lent, coûteux, et souvent impossible pour des scénarios complexes.

Entrez en scène LatentFlow, un nouveau cadre qui agit comme une télécommande universelle pour ces machines chaotuses. Il n'a pas besoin d'apprendre quoi que ce soit, de former des réseaux de neurones ou de mémoriser des données. Il fonctionne, tout simplement.

L'ingrédient secret : l'« Innovation »

Les auteurs ont réalisé que chaque histoire complexe générée par ces machines commence en réalité par une graine simple et pure. Imaginez qu'un film complexe (le résultat final) soit construit à partir d'un scénario simple (la graine).

Dans le langage de l'article, ils appellent cette graine une « innovation latente ». C'est comme un ensemble de nombres purs et aléatoires (généralement tirés d'une simple courbe en cloche) que la machine utilise pour construire son monde. La machine possède une recette fixe, une carte déterministe, qui transforme ces nombres simples en la réalité complexe que nous voyons.

La grande percée est la suivante : N'essayez pas de forcer le film complexe à correspondre à vos règles. Forcez le scénario simple à correspondre à vos règles à la place.

Comment fonctionne le tour de magie

LatentFlow utilise une danse habile en trois étapes pour faire obéir la machine à vos commandes :

Le Recul (Pull Back) : Imaginez que vous ayez une condition, comme « Le prix de l'action doit rester en dessous de 87 ». Au lieu d'essayer de comprendre comment le marché boursier complexe réagit à cela, LatentFlow tire cette règle à rebours à travers la recette de la machine. Il traduit la règle dans le langage du scénario simple (l'espace latent). Soudain, une règle complexe et impossible à résoudre devient un problème mathématique gérable concernant des nombres simples.
Le Flux Guidé (The Guided Flow) : Maintenant, l'article utilise une technique appelée « flux de probabilité guidé ». Imaginez que vous essayiez de trouver une aiguille dans une botte de foin, mais que vous avez une baguette aimantée qui vous attire vers l'aiguille. LatentFlow crée une baguette aimantée (un « champ de guidage ») qui pousse doucement les nombres aléatoires simples loin des mauvais résultats et vers ceux qui satisfont vos règles. Il y parvient en résolvant une équation unique qui s'exécute à rebours dans le temps, comme si l'on remontait une cassette pour trouver l'image de départ parfaite.
L'Avance (Push Forward) : Une fois que les nombres simples ont été ajustés pour prendre la bonne forme, vous les réinjectez dans la recette de la machine. La machine tourne, et boum — vous obtenez un monde complexe qui correspond parfaitement à votre condition.

Ce que ce n'est PAS

Les auteurs sont très clairs sur ce que cette méthode n'est pas.

Elle n'est pas un réseau de neurones qui nécessite un entraînement. Vous ne lui fournissez pas des milliers d'exemples pour lui apprendre comment conditionner. Elle fonctionne immédiatement avec la recette existante de la machine.
Elle n'est pas une approximation qui devine la réponse. L'article prouve mathématiquement que si vous pouviez exécuter les calculs parfaitement, la réponse serait exacte.
Elle n'est pas limitée aux mondes simples et lisses. Elle fonctionne sur des distributions à « queues épaisses » (où les événements extrêmes arrivent plus souvent), des systèmes discrets (comme le passage d'un état à un autre), et même sur des simulateurs « boîte noire » dont vous ne pouvez pas voir les rouages internes.

À quel point sont-ils sûrs ?

Les auteurs ont fait les calculs pour prouver que cette méthode est théoriquement exacte. Cependant, dans le monde réel, nous devons utiliser des ordinateurs, ce qui signifie que nous devons effectuer de petites étapes (discrétisation) et utiliser un nombre limité d'essais (échantillonnage de Monte Carlo).

L'article admet que ces étapes pratiques introduisent de petites erreurs, mais celles-ci sont explicites et systématiquement réductibles. Cela signifie que si vous voulez une réponse plus précise, vous pouvez simplement y injecter plus de puissance de calcul, et l'erreur diminuera de plus en plus. Ce n'est pas un « peut-être » ; c'est un « oui, avec une marge d'erreur connue et réparable ».

Le démon de la vitesse

Voici la partie qui fait briller les yeux des auteurs : la vitesse.
Parce que LatentFlow n'a pas besoin d'entraîner un modèle, il peut générer ces échantillons conditionnés en quelques secondes.

Pour un modèle épidémique complexe (SIR), cela prend environ 1 seconde par échantillon.
Pour un modèle de marché boursier (Heston), cela prend environ 3 secondes.
Pour une simulation de fluide massive et complexe (Allen-Cahn), cela prend environ 2 secondes.

Tout cela se produit sur un seul processeur (CPU) de bureau. Pas besoin de supercalculateurs.

Le terrain de jeu du « Et si »

L'article expose la puissance de LatentFlow en conditionnant toutes sortes de scénarios sauvages :

Spatial : Créer une carte où la température moyenne dans une région spécifique est exactement un certain nombre, même si le modèle météorologique sous-jacent est désordonné et à queues épaisses.
Temporel : Simuler une cellule se différenciant en un type spécifique, ou un marché boursier qui s'effondre exactement au moment où un pic de volatilité survient.
Événements rares : Trouver un chemin où une population de prédateurs explose pour atteindre un nombre spécifique, ou une réaction chimique qui déclenche un détecteur en aval.

Dans le passé, trouver ces chemins spécifiques et rares revenait à essayer de trouver un grain de sable particulier sur une plage en creusant au hasard. LatentFlow vous donne un détecteur de métaux qui pointe directement vers l'or.

L'article conclut que ceci n'est pas seulement une manière plus rapide de faire les choses anciennes ; c'est une nouvelle façon de concevoir le conditionnement. En déplaçant le problème du monde complexe et désordonné vers le monde propre et simple de l'« innovation », ils ont construit une clé universelle qui déverrouille n'importe quel processus stochastique, aussi étrange ou complexe soit-il, sans jamais avoir besoin d'apprendre la moindre chose.

Résumé Technique : LatentFlow

Énoncé du Problème

Les modèles de processus stochastiques sont généralement simples à simuler vers l'avant, mais il est notoirement difficile de les conditionner par des observations, des contraintes ou des événements globaux. Le conditionnement devient intraitable face à des observations non linéaires, des vraisemblances non gaussiennes, des informations de type "boîte noire" ou des contraintes globales (par exemple, « la valeur maximale dépasse un seuil » ou « le chemin frappe un détecteur spécifique »). Traditionnellement, répondre à ces problèmes de conditionnement nécessite des constructions spécifiques au modèle, telles que le Monte Carlo par chaînes de Markov (MCMC), le Monte Carlo séquentiel (SMC), l'inférence variationnelle ou les approximations de Laplace. Ces méthodes sont souvent coûteuses, approximatives ou échouent à passer à l'échelle pour différentes classes de modèles. Bien que des travaux récents comme FlowGP (Moss et al., 2026) aient abordé le conditionnement des processus gaussiens en le reformulant comme une équation différentielle, un cadre général, sans entraînement, pour des processus stochastiques arbitraires restait insaisissable.

Méthodologie : LatentFlow

Les auteurs introduisent LatentFlow, un cadre unifié et sans entraînement pour le conditionnement de processus stochastiques. L'idée centrale est que le conditionnement ne doit pas être effectué directement dans l'espace complexe du processus, mais peut être transféré vers un espace d'innovation latent traitable.

1. Représentation de l'Innovation Latente

La méthode repose sur l'Hypothèse 2.1 : tout processus a priori stochastique $p_\vartheta(f_0)$ (où $f_0$ est une discrétisation de dimension finie) peut être exprimé comme l'image déterministe d'une distribution de référence simple. Plus précisément, il existe une application $T_\vartheta: \mathbb{R}^{m_\xi} \to E_m$ et une densité de référence $r$ (typiquement une gaussienne standard $\mathcal{N}(0, I)$ ) telles que si $\xi_0 \sim r$ , alors $f_0 = T_\vartheta(\xi_0) \sim p_\vartheta$ .

Cette représentation est valable pour une vaste gamme de processus, incluant les processus gaussiens, les processus de Student-t, les processus pilotés par des SDE, les SPDE, et même des simulateurs de type boîte noire (via des transformations de probabilité intégrale ou des transformations de Rosenblatt).
Le conditionnement sur l'information $C$ (encodée par une vraisemblance $L_C$ ) est transféré vers l'espace latent en définissant une vraisemblance latente $\Lambda_{\vartheta,C}(\xi_0) = L_C(T_\vartheta(\xi_0))$ . La densité latente cible devient $\rho_\vartheta(\xi_0 | C) \propto \Lambda_{\vartheta,C}(\xi_0) r(\xi_0)$ .

2. Flux Latents Guidés

Pour échantillonner à partir de la distribution postérieure latente intraitable $\rho_\vartheta(\cdot | C)$ , LatentFlow emploie un processus de diffusion en temps inverse guidé (ou une ODE de flux de probabilité) dans l'espace latent.

Pont de Bruitage : Un processus de bruitage de type conservation de la variance (VP) est défini sur l'espace latent : $\xi_t = \alpha(t)\xi_0 + \sigma(t)\epsilon$ , où $\epsilon \sim \mathcal{N}(0, I)$ .
Champ de Guidage : La méthode définit un champ de guidage $g(t, u) = \nabla_u \log \psi(t, u)$ , où $\psi(t, u)$ est l'espérance de la vraisemblance latente sous le pont de bruitage. Ce champ dirige la dynamique en temps inverse vers les régions de haute vraisemblance.
Guidage Monte Carlo : Puisque $g(t, u)$ est rarement disponible sous forme fermée, il est estimé via Monte Carlo. Pour un état $u$ donné à un instant $t$ , $S$ échantillons de la variable latente sont tirés de la distribution de pont conditionnelle, et le gradient du log-vraisemblance est estimé à l'aide d'un schéma de pondération par importance auto-normalisée. Cela permet à la méthode de gérer des simulateurs non différentiables via des estimateurs sans dérivée ou des relaxations.
Échantillonnage : L'échantillonneur résout l'SDE (ou l'ODE) en temps inverse numériquement, en partant d'un état bruité (approximé par la distribution de référence) et en intégrant vers l'arrière jusqu'à $t=0$ pour obtenir un échantillon $\xi_0$ . L'échantillon du processus conditionné est ensuite récupéré via $f_0 = T_\vartheta(\xi_0)$ .

3. Estimation de Paramètres

Le cadre s'étend à l'estimation de paramètres sensible au guidage. En traitant la constante de normalisation $Z_\vartheta$ (l'évidence) comme une fonction objectif, les auteurs proposent un schéma d'optimisation en boucle externe. Les gradients de l'évidence par rapport aux hyperparamètres $\vartheta$ sont estimés en utilisant les mêmes échantillons latents générés lors du processus de conditionnement, permettant l'inférence conjointe des paramètres et du conditionnement sans réentraîner de réseau neuronal.

Contributions Clés

Un Cadre Général et Sans Entraînement : LatentFlow fournit une méthode unique pour le conditionnement de divers processus stochastiques (GP, processus à queues lourdes, SDE, SPDE, processus discrets et simulateurs boîte noire) sans nécessiter l'entraînement de modèles de score neuronaux ou de générateurs conditionnels.
Exactitude et Approximation Contrôlable : La construction est prouvée exacte au niveau de la loi cible. Les erreurs pratiques ne proviennent que de trois sources explicites et systématiquement réductibles : le bruitage terminal fini, l'approximation de guidage Monte Carlo et la discrétisation temporelle.
Scalabilité et Vitesse : La méthode réduit le conditionnement à la résolution d'une seule SDE en temps inverse. Les expériences démontent que les échantillons conditionnés peuvent être générés en quelques secondes sur un seul CPU de bureau, même pour des modèles de haute dimension et complexes où le MCMC traditionnel s'effondre ou est prohibitvement lent.
Garanties Théoriques : L'article fournit des preuves formelles de l'équivalence des cibles latentes et des processus (Proposition 2.2) ainsi que des bornes de stabilité pour les approximations numériques et de guidage (Annexe D). Il établit également une interprétation dynamique de la maximisation de l'évidence comme un équilibre entre la satisfaction de la condition et l'« énergie de guidage » (Théorème E.5).

Résultats Expérimentaux

Les auteurs évaluent LatentFlow à travers un large spectre de priors de processus stochastiques :

Processus Spatiaux : Conditionnement de modèles gausiens, Student-t, de convolution de Cauchy et de Potts sur des observations ponctuelles, des données censurées et des résumés régionaux (moyennes/maxima). LatentFlow a produit des échantillons en 3 à 4 secondes par échantillon, préservant les comportements de queue distincts et les structures discrètes de chaque prior.
Processus Temporels : Génération de ponts de diffusion pour des processus d'Ornstein-Uhlenbeck, des modèles de différenciation cellulaire et des systèmes de FitzHugh–Nagumo. Il a réussi à conditionner des modèles Lotka–Volterra, SIR (épidémie) et Heston (volatilité stochastique) sur des événements rares (ex: krachs boursiers, explosions de populations de proies) et des contraintes de trajectoire, atteignant des temps d'échantillonnage de < 1 à 3 secondes.
Processus Spatio-Temporels : Conditionnement de SPDE Allen–Cahn, advection-diffusion et FitzHugh–Nagumo sur des capteurs épars, l'évitement d'obstacles et des impacts de détecteurs. La méthode a géré des dimensions latentes allant jusqu'à 122K, générant des échantillons valides en 1 à 5 secondes.
Benchmarks : Sur des distributions standard difficiles (Banana, Ring, Mélange de Gaussiennes), LatentFlow a obtenu des scores de distance de Wasserstein (MMD²) compétitifs ou supérieurs à NUTS, tout en produisant des échantillons indépendants avec une taille d'échantillon effectif par seconde (ESS/s) nettement plus élevée.
Estimation de Paramètres : Le schéma sensible au guidage a réussi à récupérer les hyperparamètres de vérité terrain (ex: échelles de longueur dans les champs de Cauchy, taux dans les modèles Lotka–Volterra) en optimisant l'évidence, surpassant les approches à paramètres fixes.

Signification et Revendications

L'article affirme que LatentFlow représente un changement fondamental de capacité pour le conditionnement de processus stochastiques. En déplaçant le problème de conditionnement de l'espace du processus vers un espace d'innovation latent traitable, il unifie le traitement de modèles qui nécessitaient auparavant des échantillonneurs disparates, coûteux ou approximatifs.

Les auteurs soulignent qu'il s'agit de la première méthode générale capable de conditionner une large classe de processus stochastiques (incluant les modèles non gaussiens, à queues lourdes et définis par simulateur) en temps réel sur du matériel standard. Contra contrairement aux méthodes basées sur la diffusion qui nécessitent un pré-entraînement sur de grands ensembles de données, LatentFlow est « sans entraînement », reposant uniquement sur la carte générative $T_\vartheta$ connue et les évaluations ponctuelles de la vraisemblance. La méthode est particulièrement mise en avant pour sa capacité à gérer des événements de conditionnement rares, non linéaires ou globaux sous des priors non gausiens, un domaine où les méthodes traditionnelles échouent souvent ou deviennent informatiquement intraitables.

L'article maintient un ton modeste concernant les limites, reconnaissant que la performance dépend de la tractabilité de la représentation latente et de la lissé de la vraisemblance projetée. Les simulateurs discontinus ou les contraintes strictes peuvent nécessiter des relaxations ou un guidage sans dérivée, mais le cadre reste applicable grâce à ces adaptations.