概念序贯蒙特卡洛 / Sequential Monte Carlo / SMC
SMC
通过重要性采样和重采样逐步逼近目标分布的粒子方法，广泛应用于非线性非高斯状态空间模型，在粒子数趋于无穷时经验分布收敛到真实目标分布。
时间轴 (近 90 天)
10月30日
SMC是一类基于序贯重要性采样的推理算法，最初用于贝叶斯滤波与状态空间模型，后被引入自然语言生成领域。
待验证50%
10月30日
SMC在生成过程中维护一组带权重的候选序列（粒子），每步根据势函数重新加权并重采样。
待验证50%
10月30日
SMC能在生成中途动态纠偏，特别适合“必须出现某些结构”这类硬约束场景。
待验证50%
10月30日
生成的势函数只需通过简单测试即可接入SMC流程，整个过程不涉及对小型模型的再训练或额外标注数据。
待验证50%
10月15日
SMC 的理论保证是：在适当的提议核和重采样策略下，粒子经验分布随粒子数趋于无穷而收敛到真实目标分布。
待验证50%
10月15日
论文的框架可以把任何现有的负引导方法作为提议核（proposal kernel）嵌入进来，提供一个 wrapper 让已有方法在 SMC 修正下获得渐近精确性。
待验证50%
全部知识事实 (6)
待验证
SMC是一类基于序贯重要性采样的推理算法，最初用于贝叶斯滤波与状态空间模型，后被引入自然语言生成领域。
50%待验证SMC在生成过程中维护一组带权重的候选序列（粒子），每步根据势函数重新加权并重采样。
50%待验证SMC能在生成中途动态纠偏，特别适合“必须出现某些结构”这类硬约束场景。
50%待验证生成的势函数只需通过简单测试即可接入SMC流程，整个过程不涉及对小型模型的再训练或额外标注数据。
50%待验证SMC 的理论保证是：在适当的提议核和重采样策略下，粒子经验分布随粒子数趋于无穷而收敛到真实目标分布。
50%待验证论文的框架可以把任何现有的负引导方法作为提议核（proposal kernel）嵌入进来，提供一个 wrapper 让已有方法在 SMC 修正下获得渐近精确性。
50%