Langevin-Informed Transfer Learning（LITL）：通过黑盒反馈替代目标样本的迁移学习框架

LITL 通过 Dirichlet 表示学习从有偏源样本中恢复目标 Langevin 动力学，学习目标无穷小生成元的主谱结构与投影漂移，实现谱形式动力学重建与慢流形梯度场估计。球面变体适用于归一化潜在表征的定向驱动，并在 Sobolev 范数下给出特征值、特征函数与投影漂移的有限样本泛化保证。实验涵盖有偏分子模拟、生成模型静态样本、物理系统球面对称重建以及神经网络潜在空间的后验黑盒反馈导向。