研究提出基于散度核的可训练扩散生成SDE方法

1. 13:00
   arXiv 机器学习

   具有可训练扩散项与基于密度损失的生成式 SDE 研究

   研究提出一种散度核方法，利用直接依赖终端密度的损失函数，联合优化神经 SDE 的漂移项、扩散场及初始高斯分布。在 2 维和 8 维高斯混合实验中，该方法学习了时间无关场，在相似参数量下生成的模式外样本远少于基于得分的生成器。其漂移项负责将样本吸引至各模式，扩散项则有助于在模式间分散多余概率。

Current heat 8·Comparable peak 10（Nov 2 14:00）·Comparable change, last 24 hours–

Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.