扩散分数同时学图与滤波:TopoScore-FAF让残差分数直接给出拓扑梯度,无需转移密度
核心概要
网络系统的交互图与隐状态通常要一起推断,但观测间歇、转移噪声未知且非高斯时,无约束的生成模型会把图结构吸收进自己的均值里。TopoScore-FAF把图限定为泄漏扩散的条件均值、让冻结的扩散模拟器只表示中心化残差,并用一条分数—拓扑对偶把残差分数投影成拓扑梯度,无需转移密度或对采样器反传。合成与四个真实数据集上的实验显示,这一组合在非高斯强迫下同时改善拓扑恢复与概率校准。
深度剖析
拓扑推断与状态滤波被放进同一个闭环:图决定状态如何传播,估计出的状态再回头修正图。 此前的图学习方法依赖指定的转移模型或二阶统计量,生成式滤波器则默认转移机制已知,两者直接拼接时无约束的生成模型会掩盖依赖图的动态。 在部分观测、切换强迫残差的合成设定下,TopoScore-FAF在ER图上的相对拉普拉斯误差低于最强的二阶基线GKNet,边F1分数也更高,且这一改进在ER、BA与随机几何三类图上保持一致。
做法是把结构动态和随机强迫分开:图只承担条件转移均值,冻结的扩散模拟器只表示中心化后的残差分布。 残差一旦不中心化,模拟器会把拓扑误差吸收进学到的均值,即使状态全观测图也不可辨识。 消融中改用未去趋势的模拟器,状态估计指标几乎不变,拓扑误差却明显上升,说明状态估计好并不证明图正确。
残差分数沿边激励方向投影,就得到拓扑似然梯度,因此更新图只需前向调用去噪器。 扩散模拟器给出的是分数或去噪器而非可处理的转移密度,标准似然估计无法直接用。 该对偶在有限噪声与零噪声极限下都成立,高斯残差时目标退化为广义最小二乘;在真实数据上把分数换成高斯分数,拓扑精度回落到GKNet的水平。
启示与展望
演示范围是静态无向图、已知泄漏系数与扩散步长、已知观测模型,以及间歇掩码下的部分观测;合成实验覆盖ER、BA和随机几何图与五种残差律,真实数据覆盖温度、交通、水文和静息态fMRI四类网络。
图被假定为静态,时变图需要额外的跟踪分析;闭环定理依赖紧动态与滤波器遗忘假设,后者未从原始条件验证;模拟器跨图可迁移是假设,其误差进入误差下限并可能破坏小增益条件。
