知识卡片：深度生成模型能否再现非平稳高斯随机场？

英文标题：Can Deep Generative Models Reproduce Non-Stationary Gaussian Random Fields?

英文关键词：deep generative models, non-stationary, Gaussian random fields, covariance recovery, spatial modeling

一句话结论：四种深度生成模型（DDPM、score‑SDE、flow matching、VAE）在已知的非平稳高斯随机场上均能恢复均值结构，但协方差恢复能力差异显著：DDPM 和 score‑SDE 表现合理，flow matching 略有衰减，VAE 难以恢复。

事件概述/研究问题
深度生成模型（DGM）广泛用于高维复杂数据，并越来越多地被应用于空间和时空建模。然而，在真实世界中，由于真实底层过程未知，评估模型是否学到了正确的数据分布十分困难，往往只能依赖观测数据本身。本文在已知的非平稳高斯随机场上评估四种代表性 DGM（flow matching、DDPM、score‑SDE、VAE），并给出综合指标来检验模型对真实均值和协方差结构的还原程度，同时以 oracle 样本和平稳对照作为参考。

方法/产品要点

• 目标分布：一个已知的非平稳高斯随机场（ground truth 已知，便于定量评估）。
• 评估指标：专门设计用于衡量均值表面和协方差结构恢复情况的综合指标。
• 对照设置：引入 oracle 样本（从真实分布中直接采样）和平稳随机场作为参照，以区分模型差异的来源。
• 真实数据验证：在 ERA5 温度异常数据上进一步展示该评估框架对复杂真实时空数据的支持能力。

主要结果

• 均值恢复：所有四个模型均能较好地恢复均值表面。
• 协方差恢复：
  • DDPM 和 score‑SDE：能够合理重建协方差结构。
  • Flow matching (FM)：表现出轻微的非平稳性衰减和方差欠分散。
  • VAE：难以恢复协方差结构。

为什么重要

• 为深度生成模型在空间/时空建模中的应用提供首个系统性、可量化的评估框架，特别关注非平稳性这一关键特征。
• 帮助研究人员和 practitioners 理解不同生成模型在捕获统计结构上的差异，从而为气候、环境、地球科学等领域的实际部署提供选型依据。

局限与不确定性

• 评估仅在特定已知分布的合成非平稳场和 ERA5 温度异常数据上进行，对其他类型非平稳性或更高维时空数据的推广性待核实。
• VAE 协方差恢复困难的根本原因（如潜在空间结构、正则化效应）尚未在本文中深入分析，待核实。
• 模型在真实场景中因观测稀疏或噪声等因素的表现需进一步研究。

可用于图书/PPT/简报的角度

• 示例：不同生成模型（扩散模型 vs. 变分自编码器）在统计属性还原上的对比，可直观说明“生成质量 ≠ 统计保真度”。
• 教学点：解释为何在空间建模中不能仅凭样本视觉质量评估模型，而需要关注协方差等二阶结构。
• 实践指南：为选择合适生成模型处理时空数据提供实验证据，并展示如何构建已知基准的验证流程。

原始材料
Daniel Kua, Yan Song. Can Deep Generative Models Reproduce Non-Stationary Gaussian Random Fields? arXiv:2607.25929v1, 2026-07-28.
URL: https://arxiv.org/abs/2607.25929v1