研究人员开发了一种新的扩散模型训练方法，以提高其对抗数据污染的鲁棒性。通过用源自f散度的变换替换标准的均方误差（MSE）去噪损失，模型在损坏数据集下的性能得到提升。这种称为“散度诱导加权去噪”的方法使用样本特定的影响权重来抑制受污染数据的错误，从而在CIFAR-10等基准测试中取得更好的结果。 AI
影响 提高了生成模型在数据不完美情况下的实际应用可靠性。
排序理由 介绍扩散模型新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
We show that replacing the standard MSE denoising loss in diffusion models with a nonlinear transformation induced by an f-divergence yields a simple robust training surrogate that empirically improves performance under data contamination, with small additional computational over…