Conditional splitting probabilities for hidden-state inference in drift-diffusive processes

技术摘要：隐状态推断中漂移-扩散过程的条件分裂概率

问题陈述
分裂概率（Splitting probabilities）是随机过程中的基本量，用于量化系统通过特定边界离开定义区间的可能性。虽然传统上这些概率被应用于一维过程以确定退出概率（例如：赌徒破产问题、种群动力学中的固定效应），但本研究探讨了一个更复杂的场景，涉及二维马尔可夫过程 $\{X(t), Y(t)\}$。在这里，$X(t)$ 是一个可观测的连续漂移-扩散变量，而 $Y(t)$ 代表一个隐藏的内部状态（该状态可以是离散的或连续的）。核心问题在于确定联合分裂概率：即在 $X(t)$ 离开区间 $L = [x_{min}, x_{max}]$ 时，通过特定边界且此时隐藏状态 $Y(t)$ 处于特定构型 $y_{exit}$ 的概率。

基于此，本文研究了条件分裂概率：即在发生特定边界退出事件时，关于隐藏状态 $Y$ 的后验可能性。作者旨在确定通过观察单点退出事件是否以及如何可以用来推断隐藏变量的状态，这一能力在主动物质控制和决策理论中具有相关性。

方法论
作者采用了一种基于柯尔莫哥洛夫后向方程（Kolmogorov backward equation）和贝叶斯定理的框架。

1. 联合概率公式化：
   对于由前向福克克-普朗克算子 $\mathcal{L}^{(X)}_F$ 和 $\mathcal{L}^{(Y)}_F$ 控制的过程，联合分裂概率 $\Pi(x_{exit}, y_{exit}|x_0, y_0)$ 满足平稳后向方程：
   $$0 = \mathcal{L}^{(X)}_B \Pi + \mathcal{L}^{(Y)}_B \Pi$$
   其边界条件为过程在区间边界处被吸收。作者考虑了全渗透（吸收型）和部分渗透（Robin 型）两种边界条件。

2. 解耦与耦合动力学：
   分析分为两类过程：

   • 解耦情况： $X(t)$ 是一个独立于 $Y(t)$ 的简单布朗运动。解是通过 $Y(t)$ 的福克克-普朗克算子的特征基构建的。联合概率通过涉及 $Y$ 过程特征函数和特征值的谱展开式来表示。
   • 单向耦合情况： $X(t)$ 取决于 $Y(t)$（例如，漂移或扩散系数取决于内部状态），但 $Y(t)$ 的演化独立于 $X(t)$。在这些情况下，后向方程变为耦合常微分方程（ODE）系统，作者针对特定的范式模型对其进行了显式求解。

3. 条件推断：
   一旦计算出联合概率，即可通过贝叶斯定理导出条件分裂概率：
   $$\Pi(y_{exit}|x_{exit}; x_0, y_0) = \frac{\Pi(x_{exit}, y_{exit}|x_0, y_0)}{P(x_{exit}|x_0, y_0)}$$
   其中分母是可观测变量 $X$ 的边际分裂概率。

主要结果

1. 解耦隐藏状态（布朗运动 + 内部状态）
对于 $X(t)$ 为布朗运动且 $Y(t)$ 为解耦内部状态（离散或连续）的过程，作者推导出了联合分裂概率的通用表达式，该表达式基于 $Y$ 动力学的特征系统。

• 成熟-变质过程（Ripening-Spoiling Process）： 分析了一个离散的三状态模型（未成熟 $\to$ 成熟 $\to$ 变质）。在特定状态（如“成熟”）下退出的联合概率表现出对初始位置 $x_0$ 的非单调依赖性。这是因为只有具有特定持续时间（允许向“成熟”转变但尚未向“变质”转变）的轨迹才会对该状态下的退出概率做出贡献。
• 奥恩斯坦-乌伦贝克（OU）过程： 对于连续高斯隐藏状态，联合概率通过一组埃尔米特多项式的无穷级数来表示。
• 推断极限： 在解耦情况下，作者证明了从单次退出事件进行隐藏状态推断仅在瞬态机制（非平稳初始条件）下是可能的。在区间范围极大（$L \to \infty$）或扩散消失（$D \to 0$）的极限下，联合概率会分解为边际分裂概率与 $Y$ 的稳态分布之积。因此，条件概率会收敛于先验概率，从而导致在平稳初始化时无法进行推断。

2. 单向耦合隐藏状态
对于可观测动力学依赖于隐藏状态的系统，即使对于平稳初始化，推断仍然是可能的。作者为以下三种情况提供了显式推导：

• 奔跑-转向（Run-and-Tumble, RnT）动力学： 一个自驱动状态 $Y \in \{-1, 1\}$ 以速率 $\alpha$ 进行切换的粒子。作者通过求解耦合后向方程来寻找联合分裂概率。他们表明，粒子在退出边界时的方向（向左运动者 vs 向右运动者）的后验似然度显著偏离了先验值（1/2）。这种偏差随 Peclet 数（$Pe = \nu^2/\alpha D$）的增加而增大，表明持久性允许在长时极限（$L \to \infty$）下实现对内部状态的可靠推断。
• 间歇性分段线性势能： 一个受随机开启/关闭势能影响的粒子。作者通过在势能顶点处划分定义域来求解联合概率。结果显示，势能为“开启”或“关闭”的条件概率取决于顶点的位置和势垒高度，并呈现非单调关系。
• 随机重置（Stochastic Resetting）： 一个经历向位置 $x_r$ 的随机重置的布朗运动粒子。隐藏状态定义为重置次数 $n$。作者推导了在恰好发生 $n$ 次重置后退出的联合概率。他们发现，虽然由于泊松过程的无记忆特性，最可能的重置次数为零，但给定特定退出边界的平均重置次数是非平凡的，并且取决于重置速率和区间大小。

意义与主张
本文声称有两个主要贡献：

1. 分析框架： 它提供了一种通用的方法，用于计算二维马尔可夫过程的联合分裂概率，这些概率可以通过谱分解（对于解耦系统）或显式求解耦合 ODE（对于单向耦合系统）来表达。
2. 推断方案： 它建立了一种基于仅通过点状检测退出事件来进行部分贝叶斯推断的“简单方案”。

作者强调了这两类过程之间的关键区别：

• 在解耦系统中，推断仅限于瞬态动力学；一旦隐藏状态达到其稳态，退出事件便不再提供关于内部状态的信息。
• 在单向耦合系统中（这在主动物质模型中很常见），耦合保留了关于内部状态的信息在退出统计特性中，使得即使在长时间极限（$L \to \infty$）下也能进行推断。

这项工作表明，这种基于边界的推断方案可以应用于驱动随机过程的控制，例如通过利用退出点与隐藏状态之间的相关性来优化主动粒子的能量提取。作者指出，虽然他们在耦合案例中重点讨论了离散隐藏状态，但将这些结果扩展到连续隐藏状态（如主动奥恩斯坦-乌伦贝克过程）仍是一个开放性的挑战。