已验证75% 置信事实精确时间
扩散模型反向过程的核心驱动力是Score函数，即对数密度梯度∇x log p(x)，指向概率密度增大最快的方向
3
来源数
75%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
待验证归一化流通过可逆变换实现精确密度估计，目标密度通过变量替换公式p_K(x) = p_0(f^{-1}(x)) ∏|det ∇f_k^{-1}(x)|计算，其优势是可精确计算对数似然，但代价是每层变换必须满足可逆性和雅可比行列式易于计算这两个约束，这严重限制了模型表达能力。73% 相似待验证归一化流是一类通过叠加可逆、可微变换来构造复杂概率分布的深度生成模型，利用变量替换公式结合雅可比行列式表达密度68% 相似待验证扩散模型通过训练网络逼近各噪声水平下的分数函数 ∇_x log p_σ(x) 来实现生成与去噪。68% 相似待验证协变量漂移指特征分布 P(X) 在来源与目标之间不一致，模型漂移涉及条件分布 P(Y|X) 的偏移67% 相似待验证策略梯度定理证明梯度可表示为∇J(θ) = E[∇log π(a|s;θ) · Q^π(s,a)]，使用log-derivative trick将对概率分布的求导转化为对log概率的求导乘以采样值67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/523846API
curl https://kongchang.com/api/v1/knowledge/claims/523846MCP
get_claim(id=523846)