待验证50% 置信事实精确时间
ALD 使用边际优先分解，将稳定噪声表示为标量高斯尺度混合形式，使得训练目标回归到标准高斯噪声预测损失，只需额外增加一个标量尺度输入。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
Annealed Lévy Diffusion：用高斯代理实现重尾扩散新范式
rss2026/10/14
涉及实体
相关事实
待验证ALD 的退火策略中超参数 α(t) 的调度设计、不同采样器在大规模高分辨率任务上的表现，以及重尾噪声对训练稳定性的影响，仍是需要进一步验证的问题。77% 相似待验证具有不同目标噪声水平的区域往往在不同的训练轮次达到各自的最佳预测性能，使单一全局早停检查点成为不同不确定性区域之间的强制折中74% 相似待验证ALD-renoise 采用估计干净样本后重新注入边际噪声的策略，每步之间引入随机重置，可能丢失相邻状态间的依赖结构。72% 相似待验证在SDE框架下，可通过调整漂移项与扩散项的平衡来补偿批大小对梯度噪声方差的影响，从而在不同批大小下获得一致的生成质量。67% 相似待验证Diffusion-LM的训练目标包含三项损失：扩散去噪损失、嵌入匹配项和取整损失67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1037339API
curl https://kongchang.com/api/v1/knowledge/claims/1037339MCP
get_claim(id=1037339)