热点事件持续更新
研究揭示残差门控重组是扩散模型训练加速机制
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日发表于arXiv的研究指出，Diffusion Transformer的训练加速主要源于AdaLN-Zero残差门控路径的重组，而非仅依赖辅助目标的特征约束。研究团队引入了归一化参与率（nPR）指标，证实更宽的门控通道参与度直接对应更好的生成质量。基于该发现，团队提出了一种无教师模型的径向正则化方法，在ImageNet 256×256（SiT-B/2）测试中实现了优于分散损失（dispersive loss）的FID表现。
AI 根据报道生成 · 16 小时前更新
最新进展11月2日 13:00
研究提出无教师模型径向正则化，在ImageNet上取得优于dispersive loss的FID。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不落下任何通道：通过残差门理解 Diffusion 训练加速
新研究发现 Diffusion Transformer 的训练加速主要源于 AdaLN-Zero 残差门控路径的重组，而非仅依赖辅助目标的特征约束。研究团队引入归一化参与率（nPR），证实更宽的门控通道参与度直接对应更好的生成质量。基于此提出的无教师模型径向正则化在 ImageNet 256×256（SiT-B/2）上实现了比 dispersive loss 更优的 FID。
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。