informed（信息引导/先验注入）在机器学习语境中通常指把领域知识作为先验显式编码进模型，例如 Anatomy-Informed Neural Networks（解剖信息神经网络）就是把人体解剖结构约束嵌入网络设计的一类方法。这类思路与纯粹的数据驱动训练相对，核心目标是让模型在数据稀缺或分布偏移时仍保持可靠。随着深度学习在医疗影像、科学计算等高风险领域落地，如何“告知”模型已有专业知识，正成为 2025 年以来论文中的高频主题。
Informed 方法的近期进展
当前焦点与观察点
从近期论文看，informed 类方法的讨论集中在三个层面。其一是先验的编码方式：是把知识写进网络结构（如解剖信息网络），还是作为损失函数约束（如 PINN），两种路线在灵活性与可优化性上各有取舍。其二是理论保障：PINN 与深度算子方法的收敛性证明正在补齐，说明社区不再满足于经验性效果。其三是从静态先验走向动态引导，例如 Reinformed Dreamer 和主动偏好学习等工作，让模型在训练过程中主动“提问”补齐信息盲区，而非被动接收一次性注入的知识。
值得观察的争议点在于：当先验本身不完全正确时，强信息引导可能放大偏差，这在医疗等场景中尤需谨慎。如何在利用领域知识带来的样本效率与保持数据驱动的开放性之间取得平衡，预计仍是接下来 informed 方向研究的核心问题。