PulseAugur
中
实时 07:49:30
实体 Data Influence Oriented Tree Search

Data Influence Oriented Tree Search

PulseAugur coverage of Data Influence Oriented Tree Search — every cluster mentioning Data Influence Oriented Tree Search across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
2
90 天内 8
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 8
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 8 条
  1. TOOL · CL_315391 ·

    新理论解释了扩散 Transformer 如何去噪图像

    研究人员提出了一种新的视角来理解扩散 Transformer (DiTs) 如何去噪图像,将其视为输入自适应的局部去噪器。该框架表明,上下文聚合和块预测在注意力机制和 MLP 在 DiTs 中的功能方面起着至关重要的作用。在真实图像和 CelebA64 数据集上的实验支持了这一观点,表明 DiTs 学习了噪声依赖的去噪上下文,并且共享内存块预测器可以取得有竞争力的结果。

  2. TOOL · CL_312620 ·

    TamedFlow 通过结合压缩和自适应推理来加速扩散模型采样

    研究人员开发了 TamedFlow,一种通过结合模型压缩和自适应推理技术来加速扩散模型采样的新颖方法。该方法解决了“组合差距”问题,即当这两种加速策略一起使用时会出现质量下降。TamedFlow 采用跨架构特征对齐和专门的速度对齐头来有效训练压缩的学生模型。然后,一个可学习的轨迹估计器在推理过程中路由草稿,允许接受的草稿绕过教师模型并降低计算成本。

  3. RESEARCH · CL_280419 ·

    arXiv发布新研究,介绍先进的时间序列预测技术 · 跟踪9个来源

    arXiv上发表的多篇研究论文介绍了改进时间序列预测的新方法。SteerCast通过使用过去数据的数据库来指导预测,而无需重新训练,从而增强了仅解码器模型。MIDAPN为数值和多模态时间序列数据提供了一个统一的骨干网络,集成了图适应和时间分析。CARE是一个轻量级模块,通过学习残差校正模式并提供不确定性估计来改进确定性预测器。SACQ通过使用交叉注意力和门控校正机制来优化长期预测,其性能优于标准的读出头。RideBench推出了一个大…

  4. RESEARCH · CL_200239 ·

    SCOPE框架提升扩散Transformer在视频注意力方面的效率

    研究人员开发了SCOPE,一个新颖的无需训练的稀疏注意力框架,旨在提高扩散Transformer(DiTs)在视频处理中的效率。SCOPE通过采用子空间聚类和在线每头Top-K估计方法来解决自注意力的二次成本问题。这种方法允许更具适应性和细粒度的注意力键选择,在保真度和延迟方面均优于现有方法。在测试中,SCOPE在HunyuanVideo数据集上实现了高达1.99倍的速度提升。

  5. TOOL · CL_194069 ·

    新的BAG策略通过自适应缓存加速Diffusion Transformer

    研究人员开发了BAG(Budget-Aware Gating),一种旨在加速Diffusion Transformer(DiTs)的新型缓存策略。与之前缺乏预算感知或实例适应性的方法不同,BAG使用轻量级门控网络动态决定是重用缓存的特征还是执行完整计算。该方法通过离线到在线调度蒸馏进行训练,在FLUX.1-dev和Wan2.1数据集上,在各种加速级别和分辨率下,始终优于现有的缓存技术。

  6. RESEARCH · CL_156615 ·

    扩散 Transformer 研究揭示文本模板标记的隐藏作用

    研究人员开发了一种新的文本到图像扩散 Transformer (DiTs) 可解释性框架,揭示了结构化文本模板标记的关键作用。这些通常被忽视的标记充当隐式语义寄存器,在图像生成过程中对物体身份进行因果维持。研究发现,提示语义在被这些模板标记读取之前,会间接注入到图像潜在空间中。这一理解催生了一种无需训练的剪枝规则,可以在对生成质量影响极小的情况下,将注意力计算量(FLOPs)降低 20%。

  7. RESEARCH · CL_141297 ·

    扩散 Transformer 通过注意力头分析增强可控运动迁移

    研究人员开发了一种新颖的框架,用于控制扩散 Transformer (DiTs) 中的运动迁移,这是一种用于高级视频生成的模型类型。通过在注意力头级别分析 DiTs,他们确定了负责运动和空间结构的特定头。这一见解催生了一种无需参数的方法,可以优化运动线索并保留结构,从而实现更准确、更具可解释性的视频生成运动迁移。

  8. RESEARCH · CL_05124 ·

    新模型改进LLM推理评估和内部状态控制

    研究人员开发了一个新框架,旨在最大限度地减少大型语言模型(LLM)激活引导中的“附带损害”,以在不负面影响无关任务性能的情况下控制模型行为。另一篇论文介绍了一种模式感知累积过程奖励模型(SCPRM),通过更准确、风险更敏感地评估推理路径来改进知识图谱问答。此外,一种名为面向数据影响的树搜索(DITS)的新方法,通过识别对模型改进影响最大的数据来增强多智能体系统的训练,其性能优于仅依赖Q值的传统方法。