研究人员开发了MDM-VGB，一种新颖的离散扩散采样器，旨在增强掩码扩散模型（MDMs）。该新方法集成了奖励引导的重新掩码，其灵感来自Jerrum-Sinclair回溯马尔可夫链，以改善高奖励生成和样本编辑。MDM-VGB在掩码状态图上运行，允许灵活地取消掩码和重新掩码标记，以偏好更高价值的配置。该方法在理论上是稳健的，并实现了二次复杂度，优于最佳N等启发式方法，并在数独和QM9等基准测试上得到了实证验证。 AI
影响 为扩散模型中的奖励满意度和样本编辑引入了一种更有效的方法，有可能提高在约束满足任务上的性能。
排序理由 该集群包含一篇详细介绍扩散模型新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.28301v1 Announce Type: cross Abstract: Inference-time scaling is a promising paradigm to improve generative models, especially when outputs must satisfy structural constraints or optimize downstream rewards. We consider Masked Diffusion Model (MDM) and introduce MDM-VG…
Inference-time scaling is a promising paradigm to improve generative models, especially when outputs must satisfy structural constraints or optimize downstream rewards. We consider Masked Diffusion Model (MDM) and introduce MDM-VGB, a discrete diffusion sampler that augments unma…