跳到正文
热点事件持续更新

DIG-IN 定点神经采样器解决模式崩溃并拓展至分布传输

1 篇报道1 个报道来源23 小时前更新

先了解这件事

AI 综述

研究团队提出 DIScrete Gibbs Iterative Neural Sampler (DIG-IN)，一种定点神经采样器，旨在解决离散未归一化分布采样中的模式崩溃问题，并提供收敛保证。 该框架扩展至任意分布间的传输，在 Ising 和 Potts 模型上有效缓解模式崩溃，并支持扩展至 2500 个位点的摊销采样。 此外，DIG-IN 作为最大熵强化学习策略，在 20 个连续控制任务中的表现优于高斯、扩散和流策略。

AI 根据报道生成 · 21 小时前更新

最新进展11月6日 13:00
离散吉布斯迭代神经采样器 DIG-IN 解决模式崩溃并拓展至任意分布传输

报道时间线

沿着报道，了解事件的不同侧面。

11月6日
  1. arXiv · ML
    离散吉布斯迭代神经采样器 DIG-IN 解决模式崩溃并拓展至任意分布传输

    研究提出 DIG-IN，一种定点神经采样器，解决离散未归一化分布采样中的模式崩溃问题，并提供收敛保证。 该框架扩展至任意分布间的传输，在 Ising 和 Potts 模型上缓解模式崩溃，扩展至 2500 个位点的摊销采样。 DIG-IN 作为最大熵 RL 策略，在 20 个连续控制任务中优于高斯、扩散和流策略。

本事件热度走势

可比范围当前
5
可比范围峰值
911月6日 16:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。