Sequential Monte Carlo for Conditional Generation

Sequential Monte Carlo（又称粒子滤波）是进行静态与动态系统贝叶斯推断的强大工具，其两个关键步骤为：(a) 构造良好的递归粒子采样分布以引导粒子生成；(b) 设计有效的重采样策略，将计算资源导向更有前景的粒子。

本讲座将回顾SMC在基于扩散的生成模型中实现条件采样的应用，以及其在提升自回归大语言模型逻辑推理能力方面的潜力。报告还将展示新的重采样方法，以及针对扩散模型和递归LLMs更高效的SMC采样器，包括Wasserstein-Dirichlet Resampling（WDR）、BridgeTwist和Block-Twisted SMC等最新进展。

刘军，美国科学院院士、清华大学兴华卓越讲席教授、清华统计与数据科学系主任。 他曾任哈佛大学和斯坦福大学统计系助理教授、副教授、终身教授；曾任美国统计协会会刊(JASA)联席主编及多个国际一流统计杂志副主编。曾获考普斯会长奖

（2002）、晨兴应用数学金奖

（2010）、泛华统计协会许宝騄奖

（2016）。于2004、2005和2022年分别当选数理统计学会（IMS）、美国统计学会（ASA）、国际计算生物学会（ISCB）会士，并于2025年当选美国国家科学院院士。 他指导了40多位博士生、30多位博士后，在国际权威期刊发表论文300余篇，出版专著一本，Google Scholar引用超十万余次。