AI在线 AI在线

数据分布

NeurIPS | 对比采样链：让扩散模型更快、更准、更清晰的秘密武器

NeurIPS | 对比采样链：让扩散模型更快、更准、更清晰的秘密武器
论文 Contrastive Sampling Chains in Diffusion Models 的精炼解读。 一眼概览该论文提出了一种 对比采样链（Contrastive Sampling Chains, CSC） 方法，通过对比损失和得分匹配相结合，优化扩散模型（DMs）的采样过程，从而 减少离散化误差，提高生成图像的质量，同时提升采样速度。 核心问题扩散模型在使用数值求解方法进行采样时 不可避免地引入离散化误差，导致生成样本与真实数据分布之间存在偏差。
2/3/2025 10:04:47 AM
萍哥学AI
让模型预见分布漂移：动态系统颠覆性设计引领时域泛化新革命

让模型预见分布漂移：动态系统颠覆性设计引领时域泛化新革命
在实际应用中，数据集的数据分布往往随着时间而不断变化，预测模型需要持续更新以保持准确性。 时域泛化旨在预测未来数据分布，从而提前更新模型，使模型与数据同步变化。 然而，传统方法假设领域数据在固定时间间隔内收集，忽视了现实任务中数据集采集的随机性和不定时性，无法应对数据分布在连续时间上的变化。
12/2/2024 2:35:01 PM
  • 1