变分流流：物理时间的概率预测

概率预测对于预测复杂的动力系统非常重要，因为内在的随机性和不完整的观察可能导致相同的观察状态演变成多个可能的未来。虽然流匹配是概率预测的一种灵活方法，但其计算成本较高。流流（SF）重新表述了这种方法，通过直接在物理时间中学习连续速度场来有效地模拟时间演化。然而，SF 学习确定性速度场。因此，它只为给定的固定初始状态和观测历史提供单一的未来轨迹。为了克服这个限制，我们引入了变分流流（VSF）。我们的方法学习以兴趣动态为条件的潜在分布。反过来，这可以实现概率预测。重要的是，我们通过在物理时间内生成来保留 SF 的计算效率。在确定性和随机动力系统中，VSF 展示了卓越的预测准确性和分布保真度。我们展示了超过 1,000 步的长范围rollout以及具有分叉动态的设置的优势。此外，VSF 可以作为即插即用的预测器集成到现有的基于联合嵌入预测架构 (JEPA) 的世界模型中，以提高导航、运动规划和操纵方面的时间动态性和目标导向的成功率。