확률 과정 모델은 일반적으로 조건화하는 것보다 시뮬레이션하기가 훨씬 쉽습니다. 비선형 관측, 비가우시안 우도(likelihood), 블랙박스 정보, 그리고 전역 제약 조건 등은 모두 다루기 어려운 조건부 법칙(intractable conditional laws)을 유발하며, 이는 맞춤형의 모델별 구축을 필요로 합니다. 우리는 확률 과정을 조건화하기 위한 단일 프레임워크인 LatentFlow를 소개합니다. 이 프레임워크는 학습된 신경 근사치(learned neural approximations)나 훈련 과정이 없습니다. 우리의 출발점은 확률 과정을 트랙터블한 잠재 혁신(tractable latent innovation)의 결정론적 이미지, $f_0 = T_{ h}(\xi_0)$로 작성하는 것입니다. 여기서 $\xi_0$는 간단한 참조 분포에서 샘플링됩니다. 이는 과정 수준의 조건화를 잠재 공간 추론(latent-space inference)으로 축소시킵니다: 우도를 $T_{ h}$를 통해 역전파하고, 결과적인 잠재 법칙을 트랙터블한 가이드 확률 흐름(tractable guided probability flow)으로 샘플링하며, 이 샘플들을 전진시킵니다. 이 구축은 목표 법칙 수준에서 증명 가능한 정확성을 가지며; 실제로는 유한한 최종 노이징(finite terminal noising), 몬테카를로 가이던스(Monte Carlo guidance), 그리고 연속 시간 동역학의 시간 이산화(time discretisation)를 통해서만 근사가 발생하는데, 이 모든 것은 명시적이며 체계적으로 줄일 수 있습니다. LatentFlow는 훈련 과정이 없기 때문에, 조건화는 단일 역시간 SDE(Stochastic Differential Equation)를 푸는 문제로 축소됩니다. 이를 통해 기존에 확장 가능한 방법을 공유하지 않았던 모델 클래스 전반에서 몇 초 만에 조건부 샘플링을 가능하게 합니다: 고전적인 공간 사전 분포(classical spatial priors), 비선형 확률 동역학, 물리 및 생명 과학의 기계론적 모델(mechanistic models), 확률 편미분 방정식(stochastic PDEs), 중후미지 및 극단값(heavy-tails and extremes), 점 및 이산 상태 과정(point and discrete-state processes), 그리고 신경망 또는 시뮬레이터로 정의된 과정들입니다.