Analytic Bridge Diffusions for Controlled Path Generation
Di cosa parla
Qui si mostra che, in una certa classe di problemi, è possibile calcolare esplicitamente come guidare un processo casuale da un punto di partenza fino a un obiettivo composto da più “mucchi” di probabilità, senza dover simulare tante traiettorie. Con dinamiche lineari, rumore di tipo gaussiano e costi particolari, tutte le distribuzioni intermedie e la regola di controllo emergono da formule esplicite, trasformando il caso in un laboratorio controllato per modellare e plasmare traiettorie. Gli autori illustrano l’approccio con esempi in due dimensioni e con esperimenti su casi a dimensione maggiore.
Cosa permette di osservare
Consente di esplorare se e quanto i metodi che imparano a controllare processi casuali riescano a riprodurre soluzioni esplicite, e se si possano ottimizzare obiettivi di percorso senza ricorrere a costose simulazioni. Offre un modello di riferimento calcolabile per confrontare approssimazioni e procedure di apprendimento.
Dalla fonte
Most modern bridge-diffusion methods achieve finite-time transport by specifying an interpolation, Schrodinger-bridge, or stochastic-control objective and then learning the associated score or drift field with a neural network. In contrast, we identify a restricted but sufficiently broad analytically solvable class in which, for a deterministic source and a Gaussian-mixture target, the score and all intermediate marginals are explicit and protocol objectives of the type used in this paper can be differentiated without inner stochastic simulation loops. We recast the classical linear--quadratic--Gaussian stochastic-control structure as a transport problem of the Path Integral Diffusion type. Linear dynamics, Gaussian noise, and quadratic running costs reduce the bridge calculation to a matrix Riccati cascade, while the terminal state cost is replaced by a prescribed Gaussian-Mixture term…