热点事件持续更新
研究提出基于密度损失的可训练扩散生成SDE方法
1 篇报道1 个报道来源17 小时前更新
先了解这件事
AI 综述
2026年11月2日，arXiv cs.LG发布研究，提出了一种基于可训练扩散与密度损失的生成式SDE方法。该研究提出的散度核方法通过直接依赖终端密度的损失函数，实现了对神经SDE漂移场、扩散场及初始高斯分布的联合优化。实验表明，在2维和8维高斯混合实验中，该方法学习了非时变场，在相近参数量下产生的偏离模态样本远少于基于得分的生成器；机制上，其漂移项负责将样本吸引至各模态，扩散项则有助于分散模态间多余的概率。
AI 根据报道生成 · 16 小时前更新
最新进展11月2日 13:00
研究提出基于终端密度损失的生成式SDE，联合优化漂移与扩散场，显著减少偏离模态样本。报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv cs.LG基于可训练扩散与密度损失的生成式 SDE
散度核方法通过直接依赖终端密度的损失函数，实现了对神经 SDE 漂移场、扩散场及初始高斯分布的联合优化。在 2 维和 8 维高斯混合实验中，该方法学习了非时变场，在相近参数量下产生的偏离模态样本远少于基于得分的生成器。漂移项负责将样本吸引至各模态，扩散项则有助于分散模态间多余的概率。
本事件热度走势
当前热度 6·可比范围峰值 10（11月2日 14:00）·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。