Статистические данные > Машинное обучение [представлено 23 сентября 2025 года (v1), последнее пересмотренное 16 сентября 2026 года (эта версия, v2)) Название: A Groadient Flow approach to Solutioning Inverd Problements with Latante Difflusion Models View PDF HTML (экспериментальное) резюме: Решение проблем с плохим исходом требует мощных и гибких приводов. Мы предлагаем использовать для решения этой задачи заранее подготовленные скрытые модели распространения информации на основе нового подхода, не предусматривающего подготовки кадров и именуемого " диффузионно-регуляризированным Вассерштейном Грейдент потоком (ДРГФ). В частности, мы формулируем заднюю проблему отбора проб как градиентный поток Вассерштейна в скрытом пространстве ожидаемой отрицательной цели log posterior, которая урегулируется с отклонением Кулбэк-Либлер до диффузии. Мы демонстрируем эффективность нашего метода в отношении стандартных контрольных показателей с использованием в качестве предварительного варианта StableDifflusion (Rombach et al., 2022). История представления: Тим И. Джей. Ванг [вид электронной почты] [v1] Tue, 23 сентября 2025 года: 41:43 UTC (15 019 KB) [ v2] Wed, 16 Sep 2026 10:19:35 UTK (15 020 KB). Текущий контекст просмотра: stat.ML ссылки и цитаты... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Каков умный цитаты?) Код, данные и средства…
Подход к решению обратных проблем с помощью моделей скользящей диффузии
arXiv: 25009.19276v2 Adminus Type: заменить резюме: для решения неверных проблем требуются сильные и гибкие приводы. Мы предлагаем использовать для решения этой задачи заранее подготовленные скрытые модели распространения информации на основе нового подхода, не предусматривающего подготовки кадров и именуемого " диффузионно-регуляризированным Вассерштейном Грейдент потоком (ДРГФ). В частности, мы формулируем заднюю проблему отбора проб как градиентный поток Вассерштейна в скрытом пространстве ожидаемой отрицательной цели log posterior, которая урегулируется с отклонением Кулбэк-Либлер до диффузии. Мы демонстрируем эффективность нашего метода в отношении стандартных контрольных показателей с использованием в качестве предварительного варианта StableDifflusion (Rombach et al., 2022).