图离散扩散首次有了梯度流理论框架,新方法 FEGF 训练极快
FrancescoLocat8 · x · 2026-10-07
arXiv 论文《Learning Discrete Diffusion of Graphs via Free-Energy Gradient Flows》(Rancati, Maas, Locatello)提出首个将离散空间扩散模型纳入梯度流理论框架的计算方法。
- 连续空间的扩散模型已可借 Wasserstein-2 度量与 JKO 方案解释为梯度流,但离散空间(基于连续时间马尔可夫链)一直缺乏对应的梯度流框架。
- 作者在概率单纯形上引入度量 WK,使离散热方程等常用扩散路径可解释为特定自由能泛函的梯度流。
- 由此提出的学习方法利用 JKO 方案的一阶最优性条件,只需优化简单的二次损失,训练极快,无需单条样本轨迹,仅需数值预计算 WK 测地线。
- 在合成数据的图类实验中验证可恢复底层泛函。
所属事件:图离散扩散获梯度流理论框架，FEGF 训练极快(2 条相关)→
「研究」频道最新
- Chrome 偷偷内置 425KB 神经回声消除模型,回声抑制多 5.4dB — chadwallacehart · 2026-10-08
- Snorkel 开放基准资助扩至 3000 万美元，并组建红队查基准漏洞 — ajratner · 2026-10-08
- 研究者分享用 AI 定理证明器做硬件形式化验证的 REBASE 2026 演讲 — satnam6502 · 2026-10-08
- 1985 年亲历者发声：反向传播史不是美国叙事那一套 — SchmidhuberAI · 2026-10-08
- NVIDIA 提出 PivotOPD：让多轮智能体学会从关键错误中恢复 — NVIDIAAI · 2026-10-08
- Scott Aaronson 发文「数学末日论」:AI 时代数学教育与研究的走向 — TMWNN · 2026-10-08