研究：扩散模型输出往往难以归因至单一样本
maier_ak · x · 2026-08-25
一项研究指出，生成式扩散模型的输出往往无法被归因到具体的训练样本。
- 随着数据集规模增长，单张训练图像对扩散模型的因果影响会按照幂律递减。
- 因果贡献（Causal Responsibility）变得极小，导致将生成结果归因于某一个训练样本成为不可能。
- 该研究构建了一个因果反事实框架，通过询问“如果某训练样本不存在会怎样”来评估影响。
所属事件:Nature研究：扩散模型单样本因果影响力随规模递减(5 条相关)→
「研究」频道最新
- 康奈尔与亚马逊研究：扩散语言模型预训练算力差距实为3-8倍而非16倍 — LucaAmb · 2026-10-16
- AI 学的是“幸存的文本”：人类最深的智能从未被记录 — r0ck3t23 · 2026-10-16
- QRR 循环推理器：商空间收敛，Sudoku-Extreme 达 97.9% 且循环减少 78% — burny_tech · 2026-10-16
- 数学学者撰文解读 OpenAI 证明集里的 Egyptian fraction 论文 — burny_tech · 2026-10-16
- Robin Hanson：神经网络几乎是「解释的分形」 — burny_tech · 2026-10-16
- 神经网络真这么简单？特征组合论引发认知科学之争 — burny_tech · 2026-10-16