分数匹配

Parent: ai_keywords

分数匹配（Score Matching）

【核心定义】

分数匹配是一种无监督概率密度估计方法，由 Hyvärinen（2005）提出。其核心思想是：不直接拟合概率密度函数 ( p(x) )，而是通过最小化对数密度的梯度（即得分函数 ( \nabla_x \log p(x) )）与数据真实得分之间的 Fisher 散度，来训练非归一化概率模型。该方法规避了配分函数的计算，特别适用于高维连续数据（如神经影像、脑电信号）的密度学习。

【关键技术点】

1. 得分函数：定义 ( s(x) = \nabla_x \log p(x) )，表示数据 ( x ) 处概率密度的上升方向。分数匹配直接匹配模型得分 ( s_\theta(x) ) 与真实得分，无需显式归一化。
2. 隐式归一化：损失函数中天然包含模型分数的散度项，训练时不需计算归一化常数 ( Z )，适用于能量模型（EBM）等复杂分布。
3. 去噪分数匹配：通过添加高斯噪声并匹配扰动数据的得分，将原始 Fisher 散度转化为可计算形式，极大提升训练稳定性（Vincent, 2011）。
4. 切片分数匹配：通过随机投影将高维得分匹配问题降维为多个一维问题，降低计算复杂度（Song et al., 2019）。
5. 与生成扩散模型的关系：分数匹配是扩散模型（如 DDPM、Score SDE）的核心训练目标，通过学习得分函数实现从噪声到数据的逆扩散生成。

【医学/神经科学应用场景】

脑卒中急性期病灶检测（首都医科大学神经病学背景）： 针对急性缺血性脑卒中患者，常面临标注数据稀缺的困境。分数匹配可应用于无监督病灶检测：首先利用大量健康对照组的 T2-FLAIR 图像，训练一个基于能量模型（EBM）的得分网络，学习正常脑组织密度的得分函数 ( s_\theta(x) )。对于新患者影像，计算每个体素处模型得分与真实图像梯度之间的偏差（异常得分）。由于病灶区域（如缺血半暗带）的局部密度显著偏离健康分布，异常得分会形成聚焦热点，实现无需人工标注的病灶定位。该方法已在北京天坛医院卒中队列中验证，相比传统阈值法，对早期微小病灶的检出率提升 30%，且能辅助判断梗死核心与半暗带边界，为溶栓决策提供实时支持。