Пусть он идет или учится самокорректировать: постоянное разложение для запутанных дискретных задач

arXiv: 2609.09009v1 Аннонс Тип: новое резюме: Деномитация диффузных вероятностей (DDPMs) генерирует образцы, начиная с шума и неоднократно денузируя при этом каждое обновление близко к текущему шумовому состоянию. Такое поведение эффективно во многих непрерывных областях, но его роль менее ясна для глобально ограниченных дискретных задач, таких как Судоку, подключение к графику, латинские квадраты и N-queens. В таких условиях ранние дискретные ошибки могут быть трудно исправить. В результате стандартный отбор проб рассеивания может сохранить ранние ошибки, даже если чистые прогнозы модели являются информативными. Мы сравниваем стандартные пробоотборники с отбором проб непосредственно из чистого прогноза модели. Без переподготовки, это одно изменение повышает действительность Судоку с 31% до 95% при последовательном выигрыше в других отдельных задачах. Мы предполагаем, что держаться ближе к нынешнему шумному состоянию вредно потому что обратный траектория может отойти с переднего ноутинга распределения, на котором была подготовлена модель.