Компьютерные науки > Комплектное видение и распознавание моделей [представлено 16 сентября 2026 года] Название: Beyond Random Couplings: Contrastractive Show controling in Generationive Flows View PDF HTML (экспериментальное) резюме: модели диффузии и сближения потоков обычно обучаются путем искажения данных при помощи отдельно отобранных гауссианских шумов. Хотя этот процесс и является простым и расширяемым, он вызывает произвольный шум в данных-сцепных устройствах, заставляя сеть изучать высокоскоростные переносы между не связанными конечными точками. Существующие оптимальные транспортные методы уменьшают это бремя, передавая стационарные образцы шума на данные, однако само распределение звука из источника остается пассивным. Для решения этой проблемы мы внедряем метод противопоказательного согласования шума (СНК), который позволяет проводить обучение, создавая динамические и контрастные сцепки путем непосредственной оптимизации шумоотражения. С помощью моделирования партии шума как взаимодействующей системы частиц КНС использует перекрестную цель InfoNCE для согласования шумовых частиц с их парными целевыми показателями данных. Для предотвращения пространственного коллапса это регулировочное регулирование производится с использованием углового энтропии и радиального стандартного наказания. Теоретически мы показываем, что это равновесие асимптотично сохраняет гауссийские структуры, сохраняя управляемость во время вывода. С практической точки зрения КНС улучшает…
Помимо случайных стыковок: противопоказательный шум в генерирующих потоках
arXiv: 2609.18488v1 Annualce Type: кросс-бюллетени: модели диффузии и трассы обычно обучаются путем искажения данных с помощью отдельно отобранных гауссианских шумов. Хотя этот процесс и является простым и расширяемым, он вызывает произвольный шум в данных-сцепных устройствах, заставляя сеть изучать высокоскоростные переносы между не связанными конечными точками. Существующие оптимальные транспортные методы уменьшают это бремя, передавая стационарные образцы шума на данные, однако само распределение звука из источника остается пассивным. Для решения этой проблемы мы внедряем метод противопоказательного согласования шума (СНК), который позволяет проводить обучение, создавая динамические и контрастные сцепки путем непосредственной оптимизации шумоотражения. С помощью моделирования партии шума как взаимодействующей системы частиц КНС использует перекрестную цель InfoNCE для согласования шумовых частиц с их парными целевыми показателями данных. Для предотвращения пространственного коллапса это регулировочное регулирование производится с использованием углового энтропии и радиального стандартного наказания. Теоретически мы показываем, что это равновесие