[论文解读] Neural Backward Filtering Forward Guiding

Gefan Yang, Frank van der Meulen+1 more|arXiv (Cornell University)|Jan 30, 2026

Morphological variations and asymmetry被引用 0

一句话总结

NBFFG 构建了一个变分框架，将一个解析可处理的向后引导与神经残差结合，用以在离散与连续动力学下对树上的平滑后验进行推断，支持路径级子采样与摊销学习。它在线性、多峰和高维的系统发育任务中显示出改进的性能。

ABSTRACT

Inference in non-linear continuous stochastic processes on trees is challenging, particularly when observations are sparse (leaf-only) and the topology is complex. Exact smoothing via Doob's $h$-transform is intractable for general non-linear dynamics, while particle-based methods degrade in high dimensions. We propose Neural Backward Filtering Forward Guiding (NBFFG), a unified framework for both discrete transitions and continuous diffusions. Our method constructs a variational posterior by leveraging an auxiliary linear-Gaussian process. This auxiliary process yields a closed-form backward filter that serves as a ``guide'', steering the generative path toward high-likelihood regions. We then learn a neural residual--parameterized as a normalizing flow or a controlled SDE--to capture the non-linear discrepancies. This formulation allows for an unbiased path-wise subsampling scheme, reducing the training complexity from tree-size dependent to path-length dependent. Empirical results show that NBFFG outperforms baselines on synthetic benchmarks, and we demonstrate the method on a high-dimensional inference task in phylogenetic analysis with reconstruction of ancestral butterfly wing shapes.

研究动机与目标

• 在叶节点观测且拓扑复杂的非线性、树结构随机过程上动机化平滑。
• 开发一个统一框架，将解析的向后引导与神经纠正融合，适用于离散与连续动力学。
• 通过路径级子采样与树内摊销学习降低训练复杂度，以扩展到大规模树。
• 在线性基准、多模态非线性系统和高维系统发育任务上展示鲁棒性与准确性。

提出的方法

• 通过用可处理的辅助线性高斯过程替代不可处理的 h 函数来构建带引导的提案，从而获得闭式向后滤波。
• 将变分后验定义为神经残差——对离散边用正则化流参数化，或对连续路径用神经性 SDE 参数化，以捕捉非线性差异。
• 通过变分后验与真实后验之间的 KL 散度，以及叶观测似然性的项（ELBO 形式）来计算损失。
• 使用两条推论推论推论来表达离散与连续动力学的损失，使得在引导提案与神经变换下的可处理计算成为可能。
• 应用路径级子采样方案，以获得全树损失的无偏估计，将计算量从树大小降至路径长度。

Figure 1 : Validation on Linear Gaussian Benchmarks. We compare the converged training loss against the analytical RTS smoother baseline. (a) Topological Scalability: Relative error decreases as tree complexity ( $N_{\mathrm{depth}},N_{\mathrm{branch}}$ ) grows, showing that our path-wise amortizati

实验结果

研究问题

• RQ1 混合引导提案框架是否能近似 Doob h-变换后验，用于离散与连续动力学下的树上平滑？
• RQ2 神经残差（正则化流或神经 SDE）在多大程度上能弥补线性高斯引导之外的漂移与非线性？
• RQ3 路径级子采样是否能在保持后验精度的同时实现无偏、可扩展的训练，并在树深度与维度上保持稳定？
• RQ4 带有在树内共享网络的摊销学习是否足以在复杂、异构的树拓扑之间实现泛化？
• RQ5 NBFFG在线性基准、多模态非线性系统与高维系统发育重建任务上的表现如何？

主要发现

• NBFFG 框架通过将可处理的引导提案与神经残差结合，产生变分后验，使离散与连续树边的学习高效实现。
• 路径级、无偏估计使每次迭代仅在单一根根到叶路径上进行训练，降低计算量从树大小到路径长度。
• 在线性模型中，该方法与解析真值高度一致；在多模态后验情况下，当基线引导因模式崩溃而失败时，仍能恢复后验。
• 实验结果表明对高维度具有鲁棒性，方法能有效处理扩散桥与非线性动力学，在合成与系统发育情境中均有效。
• 带有对父状态、边持续时间和上下文的共享网络条件的摊销学习，使大规模和不规则树的推断具有可扩展性。

Figure 2 : Empirical distributions of 500 independent samples of the guided proposal (gray) and the learned variational posterior (orange) against the analytical ground truth (RTS, green contours) at different tree depths.