散度核

一种基于散度核的方法能够联合优化神经SDE的漂移场、扩散场以及初始高斯分布，并直接使用依赖于终端密度的损失函数进行训练。

散度核通过将分布嵌入到再生核希尔伯特空间（RKHS），利用核均值嵌入构造散度度量，从而避免显式的密度估计。

本文通过散度核损失绕过了显式路径模拟，使得联合训练变得可行。

未来可能的研究方向包括将该方法应用于图像生成、时间序列建模等任务，以及探索更高效的散度核函数设计和训练策略。