从您的参考“理解扩散模型：统一的观点”中，分数函数的基本真理主张出现在以下位置：
分数模型可以通过最小化Fisher发散来优化基本事实分数函数。。。分数函数代表什么？对于每个$\mathbf{x}$，取其对数似然相对于$\mathbf{x}$本质上描述了为了进一步增加其可能性而在数据空间中移动的方向。那么，score函数直观地定义了整个数据空间上的向量场$\mathbf{x}$居住，指向模式。。。注意，等式157中的目标取决于能够访问基本事实score函数，这对于复杂分布（例如建模自然图像的分布）是不可用的。幸运的是，已经衍生出了被称为分数匹配[14,15,16,17]的替代技术，以在不知道基本事实分数，并可以通过随机梯度下降进行优化。
因此，将分数函数视为实践中通常复杂或难以处理的“基本真理”函数，毫不奇怪，分数函数提供了指导模型从噪声中重建数据的数据分布的基本信息，就像潜在变量的真正难以处理的后验分布或VAE中证据的真正边际似然。
其他提到“基本事实”的地方仅指ELBO推导部分中潜在变量的真正难以处理的后验分布。
直接计算并最大化可能性$p（\mathbf｛x｝）$很难，因为它要么涉及到整合所有潜在变量$\mathbf{z}$在方程式1中，这对于复杂模型来说很难处理，或者它涉及到基本事实潜在编码器$p（\mathbf{z}|\mathbf{x}）$式2中。
不幸的是，直接最小化KL散度项是很难的，因为我们无法获得基本事实 $p（\mathbf{z}|\mathbf{x}）$分配。然而。。。我们的数据的可能性总是与$\mathbf{φ}$…并且不依赖于$\mathbf{φ}$不管怎样。由于ELBO和KL发散项之和为常数，因此ELBO项的任何最大化尊重$\mathbf{φ}$必然会调用KL发散项的相等最小化。因此，ELBO可以最大化，作为学习如何完美建模真实潜在后验分布的代理；我们对ELBO的优化程度越高，近似后验值与真实后验值越接近。
由于潜在编码器$p（\mathbf{z}|\mathbf{x}）$表示我们试图近似或从数据中学习的分布，它被视为变分推理中的基本真理。这些参考文献也很好地解释了ELBO和KL之间的关系，希望能解决您对变分推理的其他关注。
