生成式SDE方法联合学习漂移场与扩散场
热点事件持续更新
生成式SDE方法联合学习漂移场与扩散场
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
Angxiu Ni 提出 divergence-kernel 方法，通过直接依赖终端概率密度的损失函数，联合优化神经随机微分方程（neural SDE）的漂移场、扩散场和初始高斯分布。 该方法在二维和八维高斯混合实验中学习到时间无关的漂移场与扩散场。与参数量相近的基于 score 的生成器相比，其生成的偏离目标模态的样本显著更少。其中，漂移场负责将样本吸引至目标模态，扩散场则帮助分散不同模态之间的过剩概率。
AI 根据报道生成 · 2 小时前更新
最新进展11月2日 13:00
可训练扩散场与基于密度损失的生成式随机微分方程报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv · Machine Learning可训练扩散场与基于密度损失的生成式随机微分方程
研究提出一种 divergence-kernel 方法，联合优化神经随机微分方程（neural SDE）的漂移场、扩散场和初始高斯分布，采用直接依赖终端概率密度的损失函数。在二维和八维高斯混合实验中，该方法学习到时间无关的场，相比参数量相近的基于 score 的生成器，生成的偏离目标模态样本显著更少。漂移场负责吸引样本靠近模态，扩散场则帮助分散模态之间的过剩概率。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。