跳到正文
热点事件持续更新

Ni 等发布生成式 SDE 新论文

1 篇报道1 个报道来源3 小时前更新

先了解这件事

AI 综述

2026年10月30日，Angxiu Ni 在 arXiv 发布论文《Generative SDEs with Trainable Diffusion and Density-Based Losses》。该研究提出一种 divergence-kernel 方法，用于联合优化 neural SDE 的 drift 和 diffusion 场以及初始高斯分布。在二维和八维高斯混合模型实验中，该方法采用时间无关场学习，使得远少于 off-mode samples，drift 吸引样本趋向 modes，diffusion 分散 excess probability。

AI 根据报道生成 · 1 小时前更新

最新进展11月2日 13:00
Generative SDEs 与可训练扩散及基于密度损失

报道时间线

沿着报道，了解事件的不同侧面。

11月2日
  1. arXiv · ML
    Generative SDEs 与可训练扩散及基于密度损失

    研究者提出一种 divergence-kernel 方法，联合优化 neural SDE 的 drift 和 diffusion 场及初始高斯分布。 在 2 维和 8 维 Gaussian-mixture 实验中，时间无关场学习使得远少于 off-mode samples，drift 吸引样本趋向 modes，diffusion 分散 excess probability。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。