算法论文8
研究揭秘扩散模型抗过拟合机制
深度学习自然语言处理
AI 摘要
巴黎高师和博科尼大学团队研究发现,扩散模型训练分泛化和记忆两阶段,数据量增加拉开‘泛化窗口’,Early Stopping可获最佳泛化,且数据量改变损失函数几何形状。
阅读原文 · 深度学习自然语言处理
NeurIPS 2025 Best Paper | 扩散模型不为人知的“时间差”:为什么先学会创作,后学会抄袭?
深度学习中,扩散模型能生成新图像且抗过拟合。巴黎高师和博科尼大学研究团队论文指出,这源于隐含的动力学正则化,训练分两阶段,数据量增加会拉开‘泛化窗口’,还给出数学解释。

关注公众号
扫码关注
第一时间收到每日精选
相关文章
算法论文9
扩散新范式Hi-DiT终结路线之争
中科大与智象HiDream.ai团队提出混合潜空间-像素空间扩散新模型Hi-DiT,解决了两类传统扩散路线各自的瓶颈,论文被ECCV 2026接收,在多个主流图像生成任务上取得优异性能,仅小幅增加计算开销。
量子位
算法论文9
ZeroDiff++刷新零样本三项基准
本文介绍发表于IEEE TPAMI 2026的ZeroDiff++模型,是ICLR 2025 ZeroDiff的扩展工作,针对生成式零样本学习的虚假语义关联、分布脱节问题提出新框架,在三项主流基准刷新成绩
量子位
算法论文8
复旦&引望WAM-Diff2让自动驾驶解码提速15.1倍
视觉-语言-动作(VLA)模型是端到端自动驾驶主流技术,但自回归解码架构有瓶颈。复旦大学与引望智能联合提出WAM-Diff2,实现自回归VLA向离散扩散模型迁移,解码加速15.1倍,多任务性能不降。
机器之心
算法论文8
字节团队发现文生图Scaling新变量
ByteDance Seed团队研究发现,文生图模型中自然语言Caption变长,不意味着模型获更多视觉监督,其信息量更能预测训练损失。团队提出Structured Prompt,从两侧提升文本条件,在多任务上取得显著提升。
机器之心