HCM 四件套构造

第 1 课你已知 HCM 用 $X_{\text{endo}}$ 造源 $Y_0=\mu_{\text{hist}}+\sigma_{\text{hist}}\delta_{\text{hist}}$。这一课把右端三项拆成四件套（barycenter mapping、uncertainty estimator、manifold projector、coverage constraint），每一件都讲清输入→公式→输出形状→职责。读完后你应能不看论文默写 Eq.4–9 并说清每项为什么存在。

回顾：HCM 替换了什么

标准 FM 从 $Y_0\sim\mathcal N(0,I)$ 出发。KITE 把它换成可学的历史条件流形 $\mathcal H(\mu_{\text{hist}},\sigma_{\text{hist}},\delta_{\text{hist}})$，源样本 $Y_0=\mu_{\text{hist}}+\sigma_{\text{hist}}\,\delta_{\text{hist}}$（Eq.9）。$\mu$ 决定中心在哪、$\sigma$ 决定覆盖多宽、$\delta$ 决定扰动沿哪个低秩方向走。三者都只由内生历史 $X_{\text{endo}}\in\mathbb R^{N\times T}$ 决定。

件 1 — Barycenter Mapping：造中心 $\mu_{\text{hist}}$

$$\boxed{\mu_{\text{hist}}=f_\phi(X_{\text{endo}})\in\mathbb R^{N\times F}}\qquad\text{(Eq.4)}$$

$f_\phi$ 是线性映射或 MLP（论文明确写"linear mapping or a Multi-Layer Perceptron parameterized by $\phi$"）。输入 $X_{\text{endo}}\in\mathbb R^{N\times T}$，输出 $\mu_{\text{hist}}\in\mathbb R^{N\times F}$——把历史从 $T$ 步投影到 $F$ 步预测空间的中心位置。"barycenter"即"质量中心"，把历史信息压成一个历史依赖的局部中心，贴近目标 $Y_{\text{endo}}$ 的典型位置。

职责：决定源分布的"质心坐标"。Prop 1 的关键量 $\mathbb E[\|Y-\mu(h)\|_1\mid h,c]$ 就是衡量目标相对这个质心的残差——质心越准，残差越小，FM 要传输的距离越短。

件 2 — Uncertainty Estimator：造尺度 $\sigma_{\text{hist}}$

$$\boxed{\sigma_{\text{hist}}=\mathrm{Softplus}(g_\psi(X_{\text{endo}}))+\sigma_{\min}}\qquad\text{(Eq.5)}$$

$g_\psi$ 是 MLP，输出标量（注意是标量，非向量）。Softplus 保证 $\sigma_{\text{hist}}>0$；$\sigma_{\min}>0$ 是基线探索宽度，保证即使 $g_\psi$ 想输出 $-\infty$，$\sigma$ 也不会塌成 0。

异方差性：$\sigma$ 随 $X_{\text{endo}}$ 变化——历史复杂/多变时 $\sigma$ 大、覆盖宽；历史平稳时 $\sigma$ 小、源更尖。这让源分布的"宽度"自适应于历史不确定性。

职责：决定源分布的"扩散半径"。但光有 $\sigma$ 不够——若让它自由学，它会塌成 0 让 $Y_0\to\mu$（退化为确定点），导致源支撑盖不住目标。这就引出件 4 的 coverage constraint。

件 3 — Manifold Projector：造扰动 $\delta_{\text{hist}}$

$$\boxed{\delta_{\text{hist}}=\alpha\cdot\frac{Mz}{\|Mz\|}+(1-\alpha)\cdot\epsilon\in\mathbb R^{N\times F}}\qquad\text{(Eq.6)}$$

三个角色：

• $M\in\mathbb R^{(N\times F)\times r}$ 是可学低秩流形基（rank $r\ll N\!\times\!F$）。把 $M$ 看成把 $r$ 维潜在坐标"展开"到 $N\times F$ 空间的矩阵。
• $z\in\mathbb R^r,\,\epsilon\in\mathbb R^{N\times F}$，都从标准高斯 $\mathcal N(0,I)$ 采。
• $\alpha\in[0,1]$ 可学混合权重。

$\frac{Mz}{\|Mz\|}$ 是归一化——把 $Mz$ 投到单位球面，保证这个分量的范数恒为 1。$\epsilon$ 是各向同性噪声。$\alpha$ 学的是"扰动走低秩流形方向"还是"走纯随机方向"的权衡。

为什么低秩 + 各向同性混合：论文写得很明确——低秩 $M$ 让扰动"对齐目标数据的几何结构"（anisotropic prior aligned with target geometry），防止过拟合到这个低秩流形，同时捕获细微扰动，所以再混一份各向同性 $\epsilon$。

职责：决定源分布的"扰动方向结构"。Prop 1 证明里设 $C_H:=\mathbb E[\|\delta\|_1]$，正是这个归一化让 $\delta$ 的噪声幅度可控，配合 $\sigma$ 的 coverage constraint，保证"加的噪声不过大"。

件 4 — Coverage Constraint：防 $\sigma$ 塌缩

$$\boxed{L_{CC}=\frac{1}{2}\log\sigma_{\text{hist}}+\frac{\|Y_{\text{endo}}-\mathrm{detach}(\mu_{\text{hist}})\|^2}{2\,\sigma_{\text{hist}}^2}}\qquad\text{(Eq.7)}$$

形式上就是对数高斯负对数似然：把 $\mu_{\text{hist}}$ 当均值、$\sigma_{\text{hist}}^2$ 当方差，衡量 $Y_{\text{endo}}$ 在这个高斯下的负对数似然。但有个关键 trick：

$\mathrm{detach}(\mu_{\text{hist}})$：对 $\mu$ 做 stop-gradient。意思是 $L_{CC}$ 对 $\mu$ 不回传梯度，只对 $\sigma$ 回传。论文原话："ensuring that this constraint does not interfere with the geometric optimization of the barycenter"——让 $\mu$ 只由 FM 主损失 $L_{\text{FM}}$ 优化几何位置，$L_{CC}$ 专职校准 $\sigma$。

理解 $L_{CC}$ 对 $\sigma$ 的作用：

• $\log\sigma$ 项：$\sigma\to 0$ 时 $-\log\sigma\to+\infty$，惩罚 $\sigma$ 太小 → 防塌缩。
• $\frac{\|Y-\mu\|^2}{\sigma^2}$ 项：$\sigma$ 太小则该项爆炸大 → 也惩罚 $\sigma$ 太小；但 $\sigma$ 太大则 $\log\sigma$ 项变大 → 惩罚太大。两者拉锯，把 $\sigma$ 压向一个让 $Y_{\text{endo}}$ 落在源支撑内的值。

职责：强制源分布的支撑（由 $\mu\pm\text{几倍}\sigma$ 决定）盖住真值 $Y_{\text{endo}}$。没有它，$\sigma$ 会塌成 0，$Y_0\to\mu$ 成确定点，FM 源丧失多样性。

合成：源 $Y_0$ 怎么进 FM 路径

四件套产出 $\mu,\sigma,\delta$ 后合成源（Eq.9），再进 FM 路径（Eq.8）：

$$Y_0=\mu_{\text{hist}}+\sigma_{\text{hist}}\,\delta_{\text{hist}},\qquad Y_s=s\,Y_{\text{endo}}+(1-s)\,Y_0.$$ 训练目标速度 $\hat v=Y_{\text{endo}}-Y_0$，网络回归它。$L_{CC}$ 与 $L_{\text{FM}}$ 联合优化——$L_{CC}$ 管 $\sigma$，$L_{\text{FM}}$ 管 $\mu,\delta,M,\alpha$ 和整个 $v_\theta$。

一件表收口

自测