认知扩散概率模型 CogDPM 是什么？把预测编码理论和扩散模型结合

认知扩散概率模型（Cognitive Diffusion Probabilistic Models，CogDPM）是一种结合了认知科学理论和扩散模型的时空预测方法，出自 2024 年的论文《CogDPM：基于认知预测编码的扩散概率模型》，研究团队来自清华大学和中国气象局等机构。

它想解决什么问题

预测编码是认知科学中的一种理论，认为大脑通过不断地预测外部世界、处理预测与实际之间的误差来进行认知。基于这一理论，研究者此前构建过一些时空预测神经网络，模拟了学习预测误差和层级化结构这两个核心机制。但这些模型在现实世界的预测任务中，并没有表现出明显的优势；而且它们没有很好地模拟预测编码理论中另一个重要的方面：对“精度”的加权，也就是大脑会根据信息的可靠程度，决定在多大程度上相信预测误差。

CogDPM 的发现和思路

这项研究的关键发现是：扩散概率模型和预测编码理论之间存在着内在的联系。扩散模型通过从噪声开始、逐步去噪的方式生成数据，这个过程本身就具有一种层级化的采样能力，可以类比于预测编码中自上而下、逐步细化预测的过程。更重要的是，扩散模型在去噪的过程中，可以估计出预测的不确定性，也就是每个区域的预测有多可靠，这正好对应于预测编码中的“精度”。

基于这一联系，CogDPM 利用扩散模型的层级采样能力，并根据估计出的“精度”来调整预测：对于可预测性高、模型有把握的区域，加强对预测误差的利用；对于不确定性高的区域，则相应地调整。这让模型更接近大脑处理信息的方式，也让预测更加准确和可靠。

效果和应用

论文在多个时空预测任务上验证了 CogDPM，包括合成的运动数据、降水的临近预报和高空风场的预测等真实世界的任务。结果显示，它的预测效果优于此前的时空预测模型和其他扩散模型方法。降水临近预报，也就是预测未来几小时内哪里会下雨、下多大，对防灾减灾非常重要，但由于天气系统的复杂性，传统方法很难做好。CogDPM 这类方法展示了把认知科学的理论洞见引入深度生成模型，提升天气预报等实际任务能力的潜力。