改进的评分函数估计和Hessian估计

Research Paper#Machine Learning, Generative Models, Score Matching🔬 Research|分析: 2026年1月3日 15:35•
发布: 2025年12月30日 17:39
•
1分で読める
•ArXiv

分析

本文研究了估计数据分布的评分函数（对数密度的梯度）的方法，这对于扩散模型等生成模型至关重要。它结合了隐式评分匹配和去噪评分匹配，证明了改进的收敛速度，并且能够在不受维度灾难影响的情况下估计对数密度 Hessian（二阶导数）。这很重要，因为准确的评分函数估计对于生成模型的性能至关重要，而有效的 Hessian 估计支持了这些模型中使用的基于 ODE 的采样器的收敛。
引用 / 来源
查看原文
"The paper demonstrates that implicit score matching achieves the same rates of convergence as denoising score matching and allows for Hessian estimation without the curse of dimensionality."
A
ArXiv2025年12月30日 17:39
* 根据版权法第32条进行合法引用。
较旧

Tubular Riemannian Laplace Approximations for Bayesian Neural Networks

较新

New Insights into Cascaded Geometric Flight Control: From Performance Guarantees to Practical Pitfalls

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv