您的 VAR 模型实际上是一个高效且可解释的生成分类器
机器学习
2026-03-24 v2 人工智能
计算机视觉与模式识别
摘要
生成式分类器利用条件生成模型进行分类，最近显示出对分布偏移具有鲁棒性等理想属性。然而，近期进展主要依赖扩散模型，其巨大计算成本严重限制了可扩展性。这一专注于扩散方法的局限也限制了我们对生成式分类器的理解。本文提出了一种新型生成式分类器，基于视觉自回归 (VAR) 模型的最新进展，为研究生成式分类器提供了新视角。为进一步提升性能，我们引入了自适应 VAR 分类器 (A-VARC)，在准确率和推理速度之间实现了更优的权衡，从而显著提高了实际应用性。此外，我们表明 VAR 方法与扩散方法具有根本不同的特性。特别是，由于其可计算似然概率，VAR 基于的分类器通过基于标记的互信息实现了视觉可解释性，并在类递增学习任务中表现出对灾难性遗忘的内在抵抗力。
引用
@article{arxiv.2510.12060,
title = {Your VAR Model is Secretly an Efficient and Explainable Generative Classifier},
author = {Yi-Chung Chen and David I. Inouye and Jing Gao},
journal= {arXiv preprint arXiv:2510.12060},
year = {2026}
}
备注
ICLR 2026