PulseAugur
中
实时 23:41:16

新的扩散分类损失改进了基于能量的生成模型

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一种名为扩散分类（DiffCLF）的新方法来改进基于能量的生成模型的训练。该技术将学习过程重构为跨不同噪声级别的监督分类任务，与直接最大似然或分数匹配等现有方法相比，它更具计算效率，并且不易出现模式崩溃。DiffCLF目标可以与标准基于分数的模型集成，实验表明它在组合采样和玻尔兹曼生成器采样等任务中具有更高的保真度和更广泛的适用性。 AI

影响 引入了一种更有效、更强大的训练基于能量的生成模型的方法，有可能改进它们在各种AI任务中的使用。

排序理由 该集群包含一篇详细介绍训练生成模型新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · RuiKang OuYang, Louis Grenioux, Jos\'e Miguel Hern\'andez-Lobato ·

    A Diffusive Classification Loss for Learning Energy-based Generative Models

    arXiv:2601.21025v3 Announce Type: replace Abstract: Score-based generative models have recently achieved remarkable success. While they are usually parameterized by the score, an alternative way is to use a series of time-dependent energy-based models (EBMs), where the score is o…

相关实体

相关话题