Компьютерные науки > Машинное обучение [представлено 9 октября 2026 года] Название: Transformer-In-Context Score Opertoring Learn for Difclusion Models View PDF HTML (экспериментальное) Резюме: Диффузионные модели, как правило, изучают стимулирующую динамику единого целевого распределения или семейства распределений индексируемых переменными кондиционирования, установленными в ходе обучения. Это ограничивает их способность адаптироваться к ранее невидимому распределению лишь из небольшого набора примеров. Мы внедряем систему обучения оператора решения внутриконтекста для диффузионных моделей, в которой каждое целевое распределение рассматривается как задача, вытекающая из мета-распределения, и определяется на этапе вывода эмпирическим контекстом. Наш метод учится оператору в контексте, который картирует образцы контекста, шумный пункт запроса и время распространения для оценки, зависящих от задачи, что позволяет проводить обратный отбор проб с невидимыми задачами без переподготовки или обновления параметров. Ключевое замечание заключается в том, что результат, зависящий от задачи, допускает условно-показатель Гауссианского и янтаря. Ее эмпирическое приближение Надарайя-Ватсон может быть точно представлено моделью в нашем построенном классе трансформаторов, которая обеспечивает принципиальную основу предлагаемой архитектуры внимания с учетом запросов. Оператор проходит подготовку с помощью амортизированного денонсирующего балла, соответствующего различным видам распределения…
Трансформаторно-контекстная программа обучения операторов диффузным моделям
arXiv: 2610.13690v1 Аннонс Тип: новое резюме: модели диффузии обычно изучают динамику регенерации одного целевого распределения или семейства распределения, индексируемого с помощью кондиционирования переменных, фиксированных в ходе обучения. Это ограничивает их способность адаптироваться к ранее невидимому распределению лишь из небольшого набора примеров. Мы внедряем систему обучения оператора решения внутриконтекста для диффузионных моделей, в которой каждое целевое распределение рассматривается как задача, вытекающая из мета-распределения, и определяется на этапе вывода эмпирическим контекстом. Наш метод учится оператору в контексте, который картирует образцы контекста, шумный пункт запроса и время распространения для оценки, зависящих от задачи, что позволяет проводить обратный отбор проб с невидимыми задачами без переподготовки или обновления параметров. Ключевое замечание заключается в том, что результат, зависящий от задачи, допускает условно-показатель Гауссианского и янтаря. Его эмпирическое приближение Надарайя-Ватсон может быть точно представлено моделью