BriefGPT - AI 论文速递
·
通过福克 - 普朗克方程来缩小基于评分的扩散模型中的 ODE-SDE 差距
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究探讨了基于分数的生成模型，通过加噪声扰动学习对应于数据密度的噪声条件分数函数，并导出了分数Fokker-Planck方程。提出了正则化的DSM目标来强制满足分数Fokker-Planck方程，并在各种数据集上证明了其有效性。
🎯
关键要点
- 本研究探讨了基于分数的生成模型。
- 通过加噪声扰动学习噪声条件分数函数。
- 导出了分数Fokker-Planck方程，特征化噪声扰动后的数据密度的条件分数。
- 满足Fokker-Planck方程可以提高可能性和保守性程度。
- 提出了正则化的DSM目标以强制满足分数Fokker-Planck方程。
- 在各种数据集上证明了该方法的有效性。
➡️
