Resumo Técnico: Correspondência de Gerador de Processo Latente

Declaração do Problema

Avanços recentes na modelagem generativa, particularmente no âmbito de correspondência de fluxos e estruturas de difusão, frequentemente dependem de dinâmicas estocásticas auxiliares durante o treinamento. Nessas abordagens, um processo de Markov é construído em um espaço de estado estendido $\mathcal{X} \times \mathcal{Z}$ para definir alvos condicionais. No entanto, no momento da geração, o objetivo é simular um processo exclusivamente no espaço observado $\mathcal{X}$, onde as marginais de um único instante devem coincidir com a projeção do processo conjunto.

A literatura existente aborda esse problema de "projeção" caso a caso. Trabalhos como Edit Flows [Havasi et al., 2025], OneFlow [Nguyen et al., 2025] e Branching Flows [Billera et al., 2025b] derivam resultados específicos de projeção e funções de perda associadas para variáveis latentes discretas ou construções específicas de estados aumentados. Uma limitação significativa dessas obras anteriores é que suas garantias teóricas são frequentemente restritas à marginalização sobre componentes discretos do espaço de estado estendido. Há uma falta de um quadro geral que permita o condicionamento em processos latentes ricos e dependentes do tempo (contínuos, discretos ou com valores em variedades), ao mesmo tempo em que garante que o gerador aprendido no espaço observado reproduza corretamente as marginais projetadas.

Metodologia

Os autores introduzem a Correspondência de Gerador de Processo Latente, um quadro geral que formaliza o estado generativo observado $X_t$ como uma imagem determinística $\Phi(Y_t)$ de um processo de Markov tratável $Y_t$ definido em um espaço de estado arbitrário $\mathcal{Y}$.

Fundamentação Teórica

A contribuição teórica central é a Equação de Kolmogorov para Empurrão (Pushforward Kolmogorov Forward Equation - KFE). Seja $(Y_t)_{0 \le t \le 1}$ um processo de Feller não homogêneo no tempo em um espaço de Polish $\mathcal{Y}$ com gerador infinitesimal $W_t$. Dado um mapa mensurável $\Phi: \mathcal{Y} \to \mathcal{X}$, o artigo define o processo de empurrão $X_t = \Phi(Y_t)$.

Os autores provam que, sob condições específicas de regularidade e integrabilidade (Pressupostos A.15–A.18), é possível aprender uma parametrização linear do gerador $L_t$ de um processo de Feller em $\mathcal{X}$ tal que as marginais de um único instante do processo aprendido coincidam com as do processo projetado $(\Phi(Y_t))_{0 \le t \le 1}$. O gerador marginal é definido como a esperança condicional do gerador elevado:
$$L_t f(x_t) := \mathbb{E}[W_t(f \circ \Phi)(Y_t) \mid \Phi(Y_t) = x_t]$$
Esta formulação generaliza o quadro padrão de Correspondência de Gerador, que condiciona em variáveis latentes estáticas, para o condicionamento em um processo estocástico latente.

Objetivo de Treinamento

Para treinar uma rede neural $F^\theta_t$ para aproximar o gerador marginal, o artigo propõe a Função de Perda de Correspondência de Gerador Condicional de Processo Latente ($\mathcal{L}_{cgm}$). Em vez de exigir o alvo marginal intratável $F_t(x_t)$, o modelo é treinado contra alvos condicionais $F^{y_t}_t(\Phi(y_t))$ derivados de amostras do processo conjunto $Y_t$.

O resultado teórico chave (Teorema 3.12) estabelece uma igualdade de gradiente:
$$\nla_\theta \mathcal{L}_{cgm}(\theta) = \nabla_\theta \mathcal{L}_{gm}(\theta)$$
onde $\mathcal{L}_{gm}$ é a perda marginal dependendo do alvo intratável. Esta igualdade vale desde que o gerador condicional admita uma parametrização linear e as condições de integrabilidade sejam atendidas. Consequentemente, o treinamento em amostras do processo conjunto $Y_t$ (que inclui as dinâmicas latentes) recupera o mesmo ponto estacionário que o treinamento no processo marginal, efetivamente marginalizando as dinâmicas latentes durante o processo de aprendizado.

O quadro acomoda o "duplo condicionamento", onde o processo é condicionado tanto a uma variável latente estática (por exemplo, pontos finais) quanto a um processo latente dependente do tempo, unificando vários procedimentos de amostragem existentes.

Contribuições Principais

1. Generalização da Correspondência de Gerador: O artigo estende a Correspondência de Gerador de variáveis latentes estáticas para uma rica família de processos condicionais latentes dependentes do tempo. Isso subsume resultados anteriores de latentes discretos (por exemplo, Edit Flows, Branching Flows) como casos especiais onde $\mathcal{Y} = \mathcal{X} \times \mathcal{Z}$ e $\Phi$ é uma projeção.
2. Teoria do Gerador de Empurrão: Fornece uma derivação rigorosa do gerador para um processo projetado $\Phi(Y_t)$, mostrando que o gerador marginal é a esperança condicional do gerador elevado. Isso permite a construção de modelos generativos em $\mathcal{X}$ sem modelar explicitamente as dinâmicas complexas do processo latente $Z_t$ no momento da geração.
3. Funções de Perda Válidas: Os autores estabelecem condições suficientes sob as quais o treinamento contra alvos condicionais (usando amostras do espaço de estado aumentado) produz o gerador marginal correto. Isso valida o uso de processos auxiliares para treinamento, mesmo quando são descartados durante a inferência.
4. Empurrões Não-Projetivos: O quadro não se limita a projeções canônicas. O artigo descreve uma aplicação não-projetiva para geração de estrutura de proteínas, onde o espaço latente envolve movimentos de corpo rígido em nível de cadeia e flexibilidades internas, mapeando para coordenadas observadas no referencial do mundo.

Resultados e Exemplos

O artigo valida a teoria através de vários exemplos:

• Difusão com Mudança de Regime: Um exemplo unidimensional onde um processo contínuo $X_t$ evolui conjuntamente com um processo latente discreto $Z_t \in \{-1, +1\}$. Os caminhos condicionais exibem mudanças descontínuas na deriva baseadas em $Z_t$, no entanto, o gerador marginal é uma difusão padrão. Uma rede treinada apenas em $X_t$ usando a perda condicional aprende com sucesso as dinâmicas marginais, integrando efetivamente o comportamento de comutação.
• Recuperação de Trabalhos Anteriores: O quadro é mostrado para recuperar os teoremas específicos e funções de perda de Edit Flows [Havasi et al., 2025] e Branching Flows [Billera et al., 2025b] como corolários, demonstrando que esses casos discretos específicos são instâncias da teoria mais ampla de processo latente.
• Violação de Regularidade: O artigo inclui um contraexemplo (Exemplo 3.15) demonstrando que a suavidade de $\Phi$ e a regularidade de $Y_t$ nem sempre são suficientes para garantir a unicidade da solução da KFE (Pressuposto A.19). Isso destaca a necessidade das condições de regularidade declaradas.

Significado e Alegações

O artigo alega fornecer um quadro geral que remove as restrições de resultados de projeção anteriores, que eram frequentemente limitados a componentes latentes discretos ou derivados caso a caso. Ao formalizar a relação entre um processo latente tratável e sua imagem projetada, o trabalho permite a construção de uma ampla gama de novos esquemas de correspondência de fluxos usando espaços latentes gerais (contínuos, discretos ou variedades).

Os autores enfatizam que essa abordagem permite a separação de diferentes escalas de dinâmicas (por exemplo, nível de cadeia vs. nível de resíduo em proteínas) dentro do espaço latente, enquanto o modelo observa apenas o estado final. Embora o artigo descreva uma aplicação específica para geração de estrutura de proteínas envolvendo movimento de corpo rígido em nível de cadeia, observa-se que a implementação desse exemplo específico está planejada para trabalhos futuros. A contribuição principal permanece a unificação teórica e a generalização da correspondência de gerador para processos estocásticos latentes.