掩码离散扩散 tau-leaping 调度优化研究

一项 arXiv 机器学习研究分析了掩码扩散模型 tau-leaping 采样中因并行揭示坐标产生的分解误差，为该误差建立了精确积分表示，把采样调度与目标依赖结构（依赖密度 ρ）分离，并据此给出最优调度的递归平稳方程。 研究结论称，当依赖密度 ρ 随维度 N 增大一致收敛到严格正的连续曲线时，调度优化只能改善分解误差的领头常数；若 ρ 退化，则调度优化可改善其渐近阶。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。