研究人员开发了一种新的均场框架，用于在推理时控制扩散模型，为分布级奖励提供理论保证。该方法扩展了先前关于点奖励的工作，并为现有的批级引导方法奠定了基础。该框架已在低维环境中得到经验验证，并应用于蛋白质构象任务。此外，一项研究探讨了参数不确定性下扩散问题的分布鲁棒贝叶斯控制，提出了一种在散度邻域内扰动先验的公式，以减轻误设并减少过度悲观。 AI
影响 这些进展为扩散模型提供了更精确的控制和鲁棒性，有望改善蛋白质结构预测和金融建模等领域的应用。
排序理由 两篇关于扩散模型和控制论的独立研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
Diffusion models are increasingly used as controllable samplers, whose generations can be steered at inference time according to a chosen reward function. While such rewards are typically defined on individual samples, for many applications it is desirable to steer according to d…
arXiv:2506.19294v4 Announce Type: replace-cross Abstract: We study diffusion control problems under parameter uncertainty. Controllers based on plug-in estimation can be brittle due to potential distribution shifts. Bayesian control with a prior on the parameters offers a formula…