热点事件持续更新
离散扩散模型样本复杂度界研究
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
2026年10月3日，arXiv cs.LG 发表研究，为均匀加噪的离散扩散模型提出端到端样本复杂度界，采用低阶马尔可夫随机场（MRF）建模局部依赖。核心方法是离散 score 的“pinning 分解”，据此设计权重共享神经 score 学习器，并结合 τ-leaping 采样，首次从有限数据推导出显式依赖词表规模、MRF 交互阶数与样本量的最优采样保证。在 Potts、Ising 和树结构模型上，权重共享 score 网络在长序列采样上优于全连接网络。目前进展限于该预印本，尚无后续报道。
AI 根据报道生成 · 2 小时前更新
最新进展10月3日 12:00
arXiv 新研究为离散扩散提出端到端样本复杂度界，并在三类模型上验证。报道时间线
沿着报道，了解事件的不同侧面。
10月3日
- arXiv：cs.LG（机器学习，全量分类）离散扩散模型如何为类别型马尔可夫随机场建立样本复杂度界
研究者为均匀加噪的离散扩散提出端到端样本复杂度界，用低阶马尔可夫随机场（MRF）建模局部依赖。核心是离散 score 的"pinning 分解"，据此设计权重共享神经 score 学习器并结合 τ-leaping 采样，首次从有限数据推导出显式依赖词表规模、MRF 交互阶数与样本量的最优采样保证。在 Potts、Ising 和树结构模型上，权重共享 score 网络在长序列采样上优于全连接网络。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。