.png){kind=icon}
返回
Generative modelling with jump-diffusions
.png){kind=icon}
PRE
AI
DOI：10.1088/1742-5468/ae5a22.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于分数的扩散模型通过时间反转扩散过程从未知的目标分布中生成样本。尽管此类模型在人工图像生成等工业应用中代表了最先进的方法，但最近已注意到，通过考虑具有重尾特性的注入噪声，其性能可以得到进一步改进。本文将生成扩散过程推广到一类广泛的非高斯噪声过程。我考虑了由标准高斯噪声驱动的正向过程，并叠加泊松跳跃以表示有限活动Lévy过程。生成过程被证明由一个广义分数函数控制，该函数依赖于跳跃幅度分布，并且可以通过最小化简单的MSE损失来估计，这与常规高斯模型类似。概率流常微分方程和随机微分方程的公式均以基本的技术努力推导得出。针对具有拉普拉斯分布幅度的纯跳跃过程的详细实现产生了一个封闭解析形式的广义分数函数，并显示出在特定参数范围内优于等效高斯模型。
Keyword:
machine learning
期刊
J
IF:
1.9
论文数:
162
被引数:
1.0W
机构
引用论文
.png){kind=icon}
Probability Flow Approach to the Onsager–Machlup Functional for Jump-Diffusion Processes跳扩散过程的概率流方法与翁萨格-马库拉普泛函
PREAI
分享收藏分享收藏
没有更多内容
没有更多内容