研究量化扩散模型递归训练的误差传播与模型崩溃

2026年11月5日，发表在arXiv的一项研究针对基于得分的扩散模型，量化了其在结合合成数据与真实新样本递归训练时的误差传播与模型崩溃问题。该研究推导出了生成分布与目标分布之间累积散度的理论上下界，提供了该领域首个散度下界证明。研究结果表明，分布漂移取决于得分估计误差与新数据比例，在特定机制下累积散度呈现为各代误差的折现和。目前，该理论分析已通过合成数据及图像实验得到了验证。

AI 根据报道生成 · 49 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。