Structured Probabilistic Inference

전체 논문군

Diffusion, flow, bridge, posterior, reward, discrete LM, Monte Carlo, geometry, science를 포함한다.

통합 확률경로 관점

방법명보다 coupling, score, velocity, estimator, solver, uncertainty의 공통구조를 분석한다.

재현성 유의

일부 수치는 preprint와 저자 보고이며 sampler, solver, NFE, seed와 precision에 따라 달라질 수 있다.

Structured Probabilistic Inference

관측과 구조를 이용해 latent posterior를 계산하거나 근사한다.

Structured Generative Modeling

현실적인 표본뿐 아니라 graph, geometry, time, physics constraint를 만족해야 한다.

Score-Based Generative Model

Noise level별 log-density gradient를 학습해 reverse process를 구성한다.

Flow Matching

Source에서 target으로 확률질량을 운반하는 velocity field를 학습한다.

Stochastic Interpolant

Diffusion, flow, bridge를 하나의 확률경로로 통합한다.

Posterior Score

Prior score와 observation likelihood를 결합해 conditional sampling을 수행한다.

Reward-Aligned Distribution

Base distribution을 reward로 exponential tilt한다.

Structured Coupling

Source와 target pairing에 latent structure와 representation을 부여한다.

Diffusion Language Model

Token sequence를 masking과 iterative denoising으로 복원한다.

Probabilistic Calibration

Confidence, reward, judge score와 실제 correctness의 일치를 평가한다.

Prior–Posterior Gap

강력한 unconditional prior를 downstream posterior로 정확히 변환해야 한다.

Reward–Distribution Gap

Reward를 높이는 것이 원하는 distribution으로 이동했다는 뜻은 아니다.

Structure–Fidelity Gap

해석 가능한 latent structure와 높은 sample quality를 동시에 달성해야 한다.

Train–Inference Mismatch

Forward corruption state와 sampler-generated reverse state가 다르다.

Conditional-Inference Gap

Future-conditioned denoising과 실제 prefix-conditioned generation 사이 entropy gap이 존재한다.

Logical-Order–Confidence Gap

Local confidence 순서가 실제 reasoning dependency와 다를 수 있다.

Factorization Gap

동시 생성변수 사이 dependency를 독립으로 가정하면 coherence가 감소한다.

Rare-Event Sampling Gap

낮은 확률영역을 탐색하면서 unbiased statistics를 유지해야 한다.

Partial-Observation Gap

과거·미래의 임의 subset observation을 하나의 path-space model로 처리해야 한다.

Uncertainty–Decision Gap

좋은 predictive distribution이 반드시 좋은 downstream decision을 보장하지 않는다.

Unconditional Generation

Noise에서 이미지, 텍스트, 분자 표본을 생성한다.

Conditional Generation

Class, text, observation, property를 조건으로 사용한다.

Structured Generation

Graph, time, geometry, factorization, physical law를 직접 반영한다.

Posterior & Decision-Aware

관측과 reward가 주어진 posterior 또는 utility-optimal distribution을 생성한다.

Foundation-Model Inference

LLM·VLM·VLA의 decoding, uncertainty, reasoning을 probabilistic inference로 다룬다.

Programmable Distribution System

구조, 제약, observation, reward, geometry, budget specification으로 inference pipeline을 구성한다.

생성품질만으로 부족

FID와 perplexity가 높아도 posterior, calibration, physical validity, coverage가 틀릴 수 있다.

Foundation Model은 확률모델

Decoding, self-consistency, judge score와 uncertainty는 후보분포 생성·선택 과정이다.

Rare Event의 과학적 중요성

Protein folding, reaction state, extreme weather와 crisis는 낮은 확률영역에 존재한다.

Structured Data의 Inductive Bias

Graph, manifold, causal DAG, temporal bridge를 직접 인코딩해야 data efficiency와 validity가 높아진다.

Iterative Sampling 비용

Denoising step을 줄이면 latency는 감소하지만 bias, collapse, mismatch가 증가할 수 있다.

RQ1

Diffusion, flow, stochastic interpolant의 최소 공통 표현은 무엇인가?

RQ2

Exact posterior score를 nonlinear·non-Gaussian 문제로 확장할 수 있는가?

RQ3

구조를 prior, coupling, architecture, objective, sampler 중 어디에 인코딩해야 하는가?

RQ4

Reward alignment가 언제 reward hacking으로 전환되는가?

RQ5

Diffusion LM의 최적 생성순서는 무엇인가?

RQ6

Train–inference gap을 online으로 측정하고 제어할 수 있는가?

RQ7

과거·미래의 임의 subset observation을 범용적으로 조건화할 수 있는가?

RQ8

Few-step sampler는 원래 분포를 어느 정도 보존하는가?

RQ9

Sequence probability는 언제 correctness와 정렬되는가?

RQ10

Rare region을 탐색하면서 unbiased estimator를 유지하려면 어떤 bias가 필요한가?

RQ11

Factor graph 구조를 score model에 얼마나 강하게 강제해야 하는가?

RQ12

Likelihood, epistemic uncertainty, structural invalidity를 분리할 수 있는가?

RQ13

Foundation model reasoning을 Bayesian latent process로 모델링할 수 있는가?

RQ14

Train-time와 inference-time compute를 어떻게 배분해야 하는가?

RQ15

과학 생성결과의 thermodynamic·physical·causal validity를 인증할 수 있는가?

영상 역문제

Deblurring, super-resolution, inpainting, MRI·CT, compressive sensing.

분자·신약개발

Conformer, folding landscape, binding·free energy, reaction path, property-conditioned design.

Diffusion Language Model

Any-order generation, parallel decoding, logical order, remasking, exact likelihood.

영상·시계열·기상

Frame interpolation, video generation, imputation, extreme-event sequence, weather forecasting.

그래프·3D

Molecular graph, DAG, voxel, SLAM, point process, irregular-domain PDE.

불확실성 기반 Agent

Failure prediction, selective prediction, abstention, judge reliability, reasoning posterior.

과학 시뮬레이션

Brain inversion, turbulence, molecular dynamics, proteomics, phylogeny, reaction dynamics.

Exact Posterior beyond Linear Gaussian

Nonlinear operator, heavy-tailed noise, discrete observation으로 확장해야 한다.

Universal Structure Interface

Graph, manifold, sequence, DAG, physical law를 하나의 API로 표현해야 한다.

Reward Alignment Certification

Reward 증가와 실제 target-distribution 이동을 구분해야 한다.

Train–Inference Co-Design

Corruption, decoding order, sampler state를 공동설계해야 한다.

Logical-Dependency-Aware LM

Task별 reasoning dependency를 자동발견하고 decoding에 반영해야 한다.

Factorized Joint Generation

병렬성을 유지하면서 동시 변수 dependency를 보존해야 한다.

Rare-Event Weight Degeneracy

강한 bias에서도 effective sample size를 유지해야 한다.

Manifold Misspecification

잘못된 geometry prior에 대한 robustness를 분석해야 한다.

Calibrated Generative Evaluation

FID, reward, perplexity, likelihood, preference가 충돌할 때 기준이 필요하다.

AR–Diffusion Hybridization

두 방식의 장점을 결합하되 학습·서빙 복잡성을 제한해야 한다.

Adaptive Inference Budget

난이도와 uncertainty에 따라 step, particle, verifier, cache를 할당해야 한다.

Scientific Validity Certificate

분자·trajectory·물리장이 법칙과 관측을 만족한다는 certificate가 필요하다.

Black-Box Foundation-Model UQ

Logit과 activation 접근 없이 uncertainty를 추정해야 한다.

Cross-Modal Structured Latent Space

Text, image, molecule, graph, time series를 하나의 geometry로 연결해야 한다.

Reproducible Sampler Reporting

Solver, timestep, guidance, cache, precision의 표준 보고가 필요하다.

1. Structured Generative Operating System

2. Posterior-First Foundation Models

다양한 observation operator를 native하게 수용한다.

3. Structure Compiler

4. Reward Alignment Certificate

5. Train–Inference Mirror Controller

6. Logical Graph Decoding

7. Rare-Event Generative Observatory

Free-energy coverage, effective sample size, transition-state recall, reweighting variance를 지속 관측한다.

8. Geometry-Adaptive Probability Paths

9. Hybrid Autoregressive–Diffusion LM

10. Probabilistic Reasoning Monitor

11. Simulator-in-the-Loop Generation

12. Budgeted Distributional Inference

13. Calibrated Generative Benchmark

14. Cross-Model Probabilistic Interoperability

Score, density ratio, velocity, reward, constraint residual, uncertainty, sample weight를 공통객체로 교환한다.

15. SPIGM Reproducibility Protocol

Target distribution, path, coupling, objective, solver, budget, conditioning, metrics, uncertainty, failure case, artifact를 표준화한다.

비구조적 생성 → 구조 인식 생성

Graph, manifold, time, factorization, physical law가 probability path 내부로 들어간다.

Unconditional Prior → Posterior Inference

Pretrained model은 다양한 observation과 제약을 수용하는 probabilistic prior가 된다.

분리된 방법 → 통합 Path Theory

방법명보다 coupling, score, velocity, estimator, solver가 중요해진다.

Reward 최대화 → Distributional Alignment

Base distribution, validity, diversity, reward hacking을 함께 평가한다.

Endpoint 평가 → Trajectory 진단

Mismatch, shortcut, collapse, error accumulation을 경로 전체에서 분석한다.

고정 비용 → Adaptive Inference

Step, cache, particle, MCMC, verifier를 uncertainty에 따라 조절한다.

생성모델 → 과학적 추론엔진

Rare-event exploration, posterior estimation, scientific decision support로 확장된다.