热点事件持续更新

扩散模型残差门控加速训练方法提出

1 篇报道1 个报道来源8 小时前更新

先了解这件事

AI 综述

Junha Park、Jaemyung Yu、Jaehui Hwang、Jong-Seok Lee 和 Dongyoon Han 提出一种基于特征范数正则化的无教师径向目标函数，通过扩大扩散 Transformer 残差门控通道的参与度加速训练，避免依赖通道间特征比较。该方法源于对 REPA 和 dispersive regularization 的分析：两种加速方法都会显著改变 AdaLN-Zero 残差门控系数 α，说明训练加速不仅与辅助目标形成的特征结构有关，也与残差门控路径的变化有关。在 ImageNet 256×256、SiT-B/2 实验中，新方法相较 dispersive loss 获得更好的 FID，同时提高了不同时间步和类别上的平均门控参与度。

AI 根据报道生成 · 2 小时前更新

最新进展11月2日 13:00

通过残差门控理解扩散模型训练加速：不让任何通道掉队

报道时间线

沿着报道，了解事件的不同侧面。

11月2日

13:00
arXiv · Machine Learning
通过残差门控理解扩散模型训练加速：不让任何通道掉队
扩散 Transformer 加速方法 REPA 和 dispersive regularization 会显著重组 AdaLN-Zero 残差门控 α，表明训练加速部分源于残差门控路径的变化，而非仅依赖辅助目标施加的特征结构。

本事件热度走势

可比范围当前: 8
可比范围峰值: 911月2日 18:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。