知识卡片：图上的成本增强 Schrödinger 桥可精确求解：Feynman-Kac 倾斜替代学习控制

一句话结论：在图上的广义 Schrödinger 桥中，状态成本可折入参考过程，形成 Feynman-Kac 倾斜；带成本桥因此变成普通桥，可用交替端点重标定精确计算，不再需要学习控制率或时间离散化。

事件概述或研究问题：图上的广义 Schrödinger 桥要在两个分布之间移动质量，同时对访问过的状态收取成本。已有路线是学习受控连续时间马尔可夫链的速率，并用时序差分惩罚恢复成本。本文研究：状态成本是否可以被精确并入参考过程，从而不再需要学习控制和该惩罚。

方法/产品要点：

• 状态成本通过 Feynman-Kac 倾斜折入参考过程。
• 成本增强桥随后变成相对于倾斜参考过程的普通桥，时序差分惩罚不再必要。
• 桥可精确计算：交替进行两个端点重标定，每次只是一次稀疏矩阵指数应用；没有时间离散化，也没有学习。
• 交替收敛速率仅由 endpoint coupling 决定。
• 对于时间平均占据量上的二次拥塞成本，围绕精确桥的阻尼最佳响应是强凸函数上的梯度下降，其残差界定误差。
• 摘要给出两个应用/模型：蛋白质折叠模型中的自由能成本；学习方法使用的路网中的精确桥 roll-outs。

主要结果或产业意义：

• 结果核心是“精确可解”：带状态成本的图上 Schrödinger 桥被归约为普通桥，并用矩阵指数运算精确求解。
• 在蛋白质折叠模型上，自由能成本降低了折叠路径的期望势垒。
• 在学习方法使用的路网上，精确桥的 roll-outs 在采样误差内匹配目标；在拥有数百万交叉口的网络上，其内存线性增长。
• 从摘要可确认的产业/应用意义主要在算法层面：减少对学习控制和惩罚调参的依赖，并展示大图上的线性内存扩展性。更具体的部署成本、吞吐和产业基准待核实。

为什么重要：

• 它把一类“学习受控 CTMC + 时序差分惩罚”的问题转化为“倾斜参考过程 + 精确普通桥”的计算问题，可能简化训练与调参。
• 在百万级交叉口网络上内存线性增长，说明该方法有大规模图计算的潜力。
• 与已有脉络的关系：已有卡片“当学习型扩散提议帮助约束求解时”讨论学习型提议在特定条件下才显著优于经典随机搜索；本条提供的是另一个“学习控制可被精确替代”的案例。但两者任务、评估和领域不同，不能直接合并结论；是否存在统一规律待核实。

局限与不确定性：

• 以上判断主要来自摘要；证明细节、收敛率具体表达式、复杂度常数、实验设置、基线和统计显著性待核实。
• “可精确求解”的适用条件——哪些图、哪些成本、哪些参考过程设定下成立——待核实。
• “内存线性增长”的常数、实测最大规模和硬件条件待核实。
• 路网实验只提到 roll-outs 在采样误差内匹配目标，是否全面优于学习方法待核实。
• 蛋白质折叠模型的具体建模、自由能成本定义和势垒降低幅度待核实。
• 代码、数据与可复现性信息未在给定材料中确认，待核实。

可用于图书/PPT/简报的角度：

• 用一张流程图讲清：状态成本 → Feynman-Kac 倾斜 → 普通桥 → 交替端点重标定。
• 对比“学习受控 CTMC + 时序差分惩罚”与“矩阵指数精确计算”的算法范式。
• 把百万级交叉口路网作为“线性内存扩展性”案例页。
• 用蛋白质折叠路径势垒说明自由能成本如何影响路径分布。
• 提炼方法论问题：何时可以把“学习控制”转化为“参考过程倾斜 + 精确桥”。

原始材料：

• 英文标题：Cost-augmented Schrödinger bridges on graphs are exactly solvable: a Feynman-Kac tilt replaces learned control
• 英文关键词：来源未单列；据标题/摘要提炼为 Schrödinger bridge, Feynman-Kac tilt, graph, continuous-time Markov chain, learned control, exact solvable, sparse matrix exponential
• 作者：Akshay Balsubramani
• arXiv ID：2610.02195v1
• 发布/更新时间：2026-10-01T17:59:39Z
• 主分类/分类：cs.LG / cs.LG
• Abstract URL：https://arxiv.org/abs/2610.02195v1
• PDF URL：https://arxiv.org/pdf/2610.02195v1