采样调度相关 AI 资讯 · AI 热点

8月14日

11:24

11:24

官方账号arXiv cs.LG@Martin J. Wainwright

论文提出路径解析的数据几何测度“去掩码增长复杂度”（UGC），用于分析掩码扩散离散采样。UGC局部增量直接控制KL离散化误差，统一了伯努利子集和固定基数去掩码方案。在log-reveal-odds坐标下，该方法可生成单块与多块优化调度，并量化按数据几何分配计算量的收益。作者证明UGC增量可从样本中估计，从而得到达到给定KL误差的认证最优采样器，迭代复杂度在常数因子内逼近oracle过程。示例显示自适应块相比粗粒度调度可带来√d量级的维度相关改进。

论文 Masking Diffusion UGC 扩散模型

推荐理由：想省离散扩散采样算力？这篇用UGC度量自动排去掩码节奏，常数个块逼近理论最优误差，给√d维数增益例子。