跳到正文
热点事件历史事件

SAEParate解耦扩散模型遗忘概念

1 篇报道1 个报道来源5 天前更新

先了解这件事

AI 综述

Hyeonjin Kim 等人提出 SAEParate，通过在稀疏自编码器（SAE）潜在空间中分离语义重叠概念，支持文本到图像扩散模型的概念遗忘；论文称，该方法在 UnlearnCanvas 上取得当前最佳表现，联合风格与对象遗忘的提升尤其明显。 SAEParate 结合概念感知对比学习、交叉注意力引导的空间聚合和非线性编码器变换，重点处理目标概念与非目标概念之间的干扰。上述效果目前仅由该研究在 UnlearnCanvas 上的实验结论支持。

AI 根据报道生成 · 2 小时前更新

最新进展10月23日 12:00
SAEParate：面向概念分离扩散模型遗忘的解耦稀疏表示

报道时间线

沿着报道，了解事件的不同侧面。

10月23日
  1. arXiv · Machine Learning
    SAEParate：面向概念分离扩散模型遗忘的解耦稀疏表示

    该研究提出 SAEParate，在 SAE 潜在空间分离语义重叠概念，以实现文本到图像扩散模型遗忘。方法结合概念感知对比学习、cross-attention 引导的空间聚合和非线性编码器；在 UnlearnCanvas 上达到当前最佳表现，联合风格与对象遗忘的提升尤为突出。