待验证50% 置信事实精确时间
祖先采样是离散扩散模型最常用的采样方法，能严格保证生成样本服从模型分布，但需要与训练时扩散步数相当（数百到数千步）的迭代次数，且轨迹随机。
1
来源数
50%
置信度
长期有效
时效性
2026/10/30
首次发现
来源
涉及实体
相关事实
待验证论文采用随机游走扩散（random-walk diffusion）将采样得到的道路拓扑融入合成任务先验，在预训练阶段让模型学习图耦合的动态模式。72% 相似待验证连续扩散模型的采样过程可通过概率流常微分方程（ODE）实现确定性轨迹，支持加速采样与一致性蒸馏。72% 相似待验证该研究提出了两种迭代式推断算法：推前（Push-forward）通过迭代估计密度比并沿位移场移动样本来修正预训练采样器，无需重新训练；拉回（Pull-back）将数据向基分布拉近，逐层拟合变换模型。71% 相似已验证扩散模型的去噪过程通常需要执行数十到数百次迭代（称为采样步数），每次迭代都需要完整运行一次神经网络的前向传播71% 相似已验证迁移学习是指将在大规模数据集上预训练好的模型参数迁移到特定小样本任务中进行微调71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1115632API
curl https://kongchang.com/api/v1/knowledge/claims/1115632MCP
get_claim(id=1115632)