待验证50% 置信事实精确时间
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。
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 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。72% 相似待验证单次采样对于处在及格线附近的模型而言是噪声很大的快照，作者建议下一步应对每道题采样多次71% 相似待验证研究引入了一种Wasserstein型的后验摘要方法，借助新设计的噪声感知损失函数将庞大的后验样本集合压缩为少量加权的代表性聚类69% 相似待验证扩散模型直接推理更高分辨率时，去噪网络的感受野无法覆盖全局结构，会出现多头、肢体错乱或纹理重复等问题69% 相似已验证批次归一化层在小批次场景下统计量估计噪声很大，与Dice损失的区域级计算特性叠加会放大预测概率分布的波动69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1037342API
curl https://kongchang.com/api/v1/knowledge/claims/1037342MCP
get_claim(id=1037342)