Sequential Monte Carlo(序贯蒙特卡罗,简称 SMC)是一类通过带权重的粒子群递推逼近后验分布的采样与推断方法,核心机制包括重要性采样、重采样与粒子退化控制,广泛用于贝叶斯滤波、数据同化和生成模型采样。在扩散模型与控制方法快速发展的背景下,SMC 正从传统的贝叶斯统计工具,演变为连接采样式控制、生成模型推断与现代深度学习的统一框架之一。
Sequential Monte Carlo 的近期进展
近期最受关注的工作之一是将采样式模型预测控制(MPC)统一到 SMC 推断视角下。研究指出,诸如 MPPI 等采样式控制算法本质上可以被理解为 Sequential Monte Carlo 推理的特例,这一统一视角为控制与概率推断两个社区提供了共同的理论语言(研究将采样式 MPC 统一为 Sequential Monte Carlo 推理框架)。
在生成模型方向,SMC 思想被用于改进扩散模型的引导采样。一项基于正未标记学习的研究分析了负引导(negative guidance)的采样性质,说明在适当条件下引导机制可以接近渐近精确采样,而粒子式方法正是实现这一点的常见工具(基于正未标记学习让扩散模型负引导实现渐近精确采样)。类似地,贝叶斯逆问题中的后验采样加速工作从在线-离线结合的角度优化扩散模型采样效率,与粒子滤波式的序贯加权思路密切相关(Accelerating posterior sampling in Bayesian inverse problems with diffusion models: an online-offline perspective)。
在传统应用领域,地下水流数据同化的对比研究评估了集合卡尔曼方法与蒙特卡罗类技术在潜扩散模型参数化下的表现,显示 SMC 类方法在地球科学反演中仍与变分、集合方法并存竞争(Data assimilation for subsurface flow using latent diffusion model parameterization)。
当前焦点与观察点
当前 Sequential Monte Carlo 领域的讨论主要围绕三点:一是理论统一,即把采样式控制、扩散引导等方法纳入 SMC 框架,以便系统分析其收敛性与偏差;二是与深度状态空间模型的结合,如通过重要性平滑来高效学习深度 SSM 的工作,试图缓解长期存在的粒子退化与计算开销问题(Efficient Learning of Deep State Space Models via Importance Smoothing);三是与扩散模型采样器的融合,即在保证后验精度的同时降低采样步数与方差。
值得观察的争议点在于:SMC 的无偏性与灵活性是否足以抵消其相对集合卡尔曼等轻量方法的高计算成本,以及统一框架能否带来可落地的算法改进。总体而言,SMC 正处于从经典贝叶斯工具向生成式 AI 基础组件扩展的阶段,后续进展值得持续关注。