待验证50% 置信事实精确时间
论文把条件样本当作正类，把扩散过程中的粒子当作无标签数据，在线训练一个轻量级分类器，用于估计每个粒子属于不希望条件的概率。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
扩散模型负引导新突破：正无标签学习实现渐近精确采样
rss2026/10/14
涉及实体
相关事实
待验证论文提出用正无标签学习（Positive-Unlabeled Learning）重构负引导，让采样过程有明确的目标密度，并在粒子极限下达到渐近精确。70% 相似待验证微调嵌入模型时应使用难负样本（如同领域但不同层级的岗位）而非随机负样本，以学习更细粒度的语义差异69% 相似待验证论文《Finite-Sample Guarantees for Fully Discrete Conditional Diffusion Models》针对从数据中学习、且用有限步数去噪实现的条件扩散模型，建立了有限样本层面的误差保证69% 相似待验证论文通过实际场景演示了识别不变聚类可在真实因果推断任务中落地，适用于流行病学、经济学政策评估、A/B 实验分析等复杂变量网络领域68% 相似待验证该研究的关键洞见是：当从数据模型导出的似然函数已知且可微时，就可以利用引导扩散建模来采样预测分布67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1037377API
curl https://kongchang.com/api/v1/knowledge/claims/1037377MCP
get_claim(id=1037377)