论文首次揭示图扩散模型的条件性记忆现象
热点事件持续更新
论文首次揭示图扩散模型的条件性记忆现象
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Adarsh Jamadandi 与 Nicolas Keriven 发布 arXiv 论文，首次证明离散图扩散模型存在记忆化现象，称为“条件记忆”：在训练图条件化的反向扩散中，模型近乎完美恢复被扰动的训练图，而对留出测试图的恢复较弱。基于论文摘要，该现象仅在反向轨迹以受损训练图为条件时出现，常规推理过程中并不明显。 作者在两块随机块模型（SBM）上训练图扩散模型并分析其反向扩散轨迹，发现泛化差距随训练损失改善而扩大；早期停止无法缓解记忆，且在所测试的节点规模中记忆均出现，记忆的出现早于生成图形成社区结构。
AI 根据报道生成 · 2 小时前更新
最新进展10月12日 12:00
离散图扩散模型的条件记忆现象报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv · cs.AI离散图扩散模型的条件记忆现象
研究者发现，离散图扩散模型在训练图条件化的反向扩散过程中会近乎完美地恢复被扰动的训练图，而对留出测试图的恢复较弱，且泛化差距会随训练损失改善而扩大。基于论文摘要，该现象称为“条件记忆”，早期停止无法缓解，记忆出现早于生成图形成社区结构，并在所测试的节点规模中均出现。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 910月12日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。