潜在非线性去噪分数匹配以增强结构化分布的学习
机器学习
2025-12-09 v1 机器学习
摘要
我们提出了潜在非线性去噪分数匹配（LNDSM），一种基于分数的生成模型的新型训练目标，它将非线性前向动力学与基于 VAE 的潜在 SGM 框架相结合。这种组合通过利用 Euler-Maruyama 格式诱导的近似高斯转移来重新表述交叉熵项而实现。为确保数值稳定性，我们识别并去除了由小时间步长引起的两个零均值但方差爆炸的项。在 MNIST 数据集变体上的实验表明，所提方法实现了更快的合成速度和对固有结构化分布的增强学习。与基准的结构无关潜在 SGM 相比，LNDSM 持续获得更优的样本质量和多样性。
引用
@article{arxiv.2512.06615,
title = {Latent Nonlinear Denoising Score Matching for Enhanced Learning of Structured Distributions},
author = {Kaichen Shen and Wei Zhu},
journal= {arXiv preprint arXiv:2512.06615},
year = {2025}
}