MCLR：通过类间似然比最大化改进条件建模与统一无分类器引导
机器学习
2026-05-14 v3 人工智能
计算机视觉与模式识别
摘要
扩散模型在生成式建模中取得了强劲表现，但其成功往往高度依赖分类器无引导（CFG），这是一种在推理时修改采样轨迹的经验性技巧。理论上，采用标准去噪得分匹配（DSM）训练的扩散模型应恢复目标数据分布，这引出两个根本问题：（i）为何在实际中需要推理时引导，（ii）其背后的作用能否内化为原则性训练目标？本文我们认为，标准 DSM 的关键限制在于类间分离不足。为此，我们提出了 MCLR，这是一种通过显式最大化类间似然比进行对齐的目标。使用 MCLR 精调扩散模型可在标准采样下诱导类似 CFG 的改进，显著提升无引导条件生成性能，缩小与推理时 CFG 的差距。除了这些经验性优势，我们还从理论上表明，CFG 引导的得分恰好是样本自适应加权 MCLR 目标的最优解。此结果将 CFG 与对齐基目标联系起来，为 CFG 作为隐式推理时对比对齐程序提供了机制性解释。
引用
@article{arxiv.2603.22364,
title = {MCLR: Improving Conditional Modeling via Inter-Class Likelihood-Ratio Maximization and Unifying Classifier-Free Guidance with Alignment Objectives},
author = {Xiang Li and Yixuan Jia and Xiao Li and Jeffrey A. Fessler and Rongrong Wang and Qing Qu},
journal= {arXiv preprint arXiv:2603.22364},
year = {2026}
}