热点事件持续更新
研究提出扩散模型高效训练数据归因方法TID与TIDE
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年10月1日，研究人员提出基于局部得分差异的扩散模型训练数据归因方法TID，并进一步将其蒸馏为纯前向模型TIDE。该方法适用于DDPM、EDM及flow matching等模型，无需重新训练模型，且免除了单样本梯度存储需求。在CIFAR-10、ArtBench-10和MS-COCO数据集上的测试结果显示，TID的归因效果达到或超越现有SOTA水平；蒸馏后的TIDE则将单次查询成本降低了4到5个数量级，实现了毫秒级归因。
AI 根据报道生成 · 5 小时前更新
最新进展10月1日 12:00
研究人员提出扩散模型归因方法TID及TIDE，实现毫秒级高效归因且免除梯度存储。报道时间线
沿着报道，了解事件的不同侧面。
10月1日
- arXiv 机器学习蒸馏扩散分数差异以实现高效训练数据归因
研究人员提出基于局部得分差异的扩散模型训练数据归因方法 TID，并将其蒸馏为纯前向模型 TIDE。该方法适用于 DDPM、EDM 及 flow matching，无需重新训练且免除了单样本梯度存储。在 CIFAR-10、ArtBench-10 和 MS-COCO 上，TID 达到或超越 SOTA，TIDE 则将单次查询成本降低 4 到 5 个数量级，实现毫秒级归因。
本事件热度走势
当前热度 9·可比范围峰值 10（10月1日 13:00）·近 24 小时可比范围变化 –
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。