使用耦合扩散模型的信号与逻辑的联合增强与分类
机器学习
2026-05-19 v2
摘要
在噪声环境中实现稳健分类是机器学习中的一个根本性挑战。标准方法通常将信号增强与分类视为独立的、顺序性阶段：首先增强信号，然后应用分类器。这种方法未能充分利用分类器输出 During denoising 中的语义信息。本文提出了一个通用、与域无关的框架，将两个相互作用的扩散模型集成：一个作用于输入信号，另一个作用于分类器的输出逻辑 logits。该耦合格式使相互引导成为可能：增强信号的模型细化类估计，反之，演化中的类逻辑引导信号重建朝向判别流形中判别性区域。我们引入了三种策略来有效地建模输入与逻辑联合分布。我们针对图像分类和自动语音识别评估了该联合增强方法。该方法的提出框架超越了传统的顺序增强基准，在多样化的噪声条件下为分类准确率带来了稳健且灵活的改进。
引用
@article{arxiv.2602.15405,
title = {Joint Enhancement and Classification using Coupled Diffusion Models of Signals and Logits},
author = {Gilad Nurko and Roi Benita and Yehoshua Dissen and Tomohiro Nakatani and Marc Delcroix and Shoko Araki and Joseph Keshet},
journal= {arXiv preprint arXiv:2602.15405},
year = {2026}
}