Gibbs变分末层用于长时程动力学学习

论文提出用Gibbs变分推断重新审视变分贝叶斯末层（VBLLs），将后验推断与训练损失解耦，并据此设计一族多步训练损失，逐步引入长时程结构、基于连续排序概率分数（CRPS）的鲁棒性以及完整自回归 rollout 训练。作者指出VBLLs原本只用单步似然目标训练，可能不足以支撑可靠的多步预测。在示例性合成环境、多种混沌动力学系统和真实世界数据上，多步、基于CRPS的目标显著提升了长时程精度与分布拟合，并一致优于单步似然训练。该工作已被NeurIPS 2026接收。