[论文解读] Weak Adversarial Neural Pushforward Method for the McKean-Vlasov / Mean-Field Fokker-Planck Equation

Andrew Qing He, Wei Cai|arXiv (Cornell University)|Mar 17, 2026

Gaussian Processes and Bayesian Inference被引用 0

一句话总结

本文将 WANPM 扩展到 McKean–Vlasov 均场 Fokker–Planck 方程，推导稳态与时变形式，并通过前向神经映射和弱对抗训练实现对高维高斯分布的准确近似。

ABSTRACT

We extend the Weak Adversarial Neural Pushforward Method (WANPM) to the McKean--Vlasov mean-field Fokker--Planck equation, covering both the stationary and time-dependent cases. The key observation is that the mean-field nonlinearity -- an expectation under the solution distribution -- is naturally estimated by Monte Carlo sampling from the pushforward network, requiring no change to the architecture and only minor modifications to the training loop. For the quadratic (granular media) interaction kernel, the interaction term reduces to the batch sample mean, eliminating secondary sampling entirely. We also identify a dimension-dependent frequency initialization rule for the adversarial test functions, necessary to avoid spurious minimizers. Numerical experiments on linear McKean--Vlasov benchmarks in 2, 5, 20, and 100 dimensions confirm accurate recovery of the exact Gaussian stationary and transient distributions, with training times ranging from 27 seconds (2D) to 10 minutes (100D) on a single GPU.

研究动机与目标

• 通过神经推前法实现对 McKean–Vlasov（均场）Fokker–Planck 方程的求解。
• 利用带有平面波测试函数的弱对的形式化以避免显式密度估计。
• 利用二次相互作用核将均场非线性简化为批量均值，从而实现可扩展训练。
• 将 WANPM 同时扩展到稳态与时变问题并展示高维精度。

提出的方法

• 学习一个神经推前映射 F_theta: R^d -> R^n，将基样本变换为解密 rho_theta 的样本。
• 使用带平面波测试函数的弱式形式 f^(k)(x) = sin(w^(k)·x + b^(k))，通过残差来约束稳态/动力学。
• 对于二次核，将均场项简化为批量均值 m(t) = E[rho_t[x]]，无需二次采样。
• 通过一个极小极大目标函数进行训练：在 theta 上最小化、在对抗测试参数 eta 上最大化平方弱残差（稳态中为 E_V + E_W - E_D；时变中扩展为 E_T, E_0, E_t, E_V, E_W, E_D）。
• 在时变情形中，使用时间参数化的推前表示 rho(t,·)，并采用张量积时间采样以在不带偏差的情况下估计 m(t)。

Figure 1: Experiment 1 (2D Stationary). Left: scatter plot of $3000$ learned samples with the exact $2\sigma$ ellipse (red dashed). Center: marginal density of $x_{1}$ (histogram) vs. exact $\mathcal{N}(0,0.25)$ (red dashed). Right: training loss convergence over $5000$ epochs.

实验结果

研究问题

• RQ1 WANPM 是否可以扩展用于求解 McKean–Vlasov 均场 Fokker–Planck 方程的稳态与时变两种设定？
• RQ2 二次相互作用核如何简化均场非线性，以及对训练效率和精度的影响？
• RQ3 为避免在高维中出现虚假极小点，需要哪些训练细节（如对抗频率初始化）？
• RQ4 方法在高维（高达 100D）线性 McKean–Vlasov 基准测试中的可扩展性如何？
• RQ5 在不同维度下，稳态与瞬态高斯解的精度与收敛性表现如何？

主要发现

• 对于二次核，均场项简化为批量均值，去除了二次采样并提高了训练效率。
• 在 2D 到 100D 的实验中，该方法能够准确重构稳态和瞬态高斯分布，逐分量的均值和方差与真实值的误差很小。
• 维度相关的频率初始化对于避免虚假极小点至关重要，提出的缩放规则 sigma_w ~ sqrt(2 lambda)/(sigma sqrt(n))。
• 时变问题需要张量积时间采样以获得无偏的均值估计 m(t) 并保持稳定的训练。
• 在单个 GPU 上，训练时间从几十秒（2D）到大约 10 分钟（100D），显示出可扩展性。

Figure 2: Experiment 2 (20D Stationary). Per-component mean and standard deviation of $20000$ learned samples, compared to exact values (dashed red). All 20 dimensions are accurately recovered.