流場推論

流場推論明確地以幾何方式看待潛在動力學建模的目標：估計潛在狀態空間上的向量場——即族群看似依循的、從每一點到其瞬時速度的映射 dx/dt = f(x)。無論底層模型是 RNN、neural ODE、rSLDS 或高斯歷程流場，被讀出的可詮釋物件都是這個場，並由此導出流線、固定點，以及描述穩定性與旋轉結構的局部線性化（Jacobian）。它是神經運算之定性動力系統圖像的當代、可量化版本。

由於軌跡只在資料實際行經之處對該場取樣，流場估計在造訪過的流形上可信，在其外則屬臆測；把場外插到未造訪的區域，正是各模型意見分歧、且需要介入式資料來仲裁之處。高斯歷程與貝氏表述在此格外有吸引力，正因它們對該場回傳校準過的不確定性，標示出流場是被資料良好約束的，還是僅由模型的平滑先驗所想像出來的。