Il campionatore gaussiano di Lanczos migliora la divergenza KL del percorso DDPM
Un nuovo articolo su arXiv (2605.22723) introduce il campionatore gaussiano di Lanczos (LGS), un metodo senza addestramento per campionare dalla covarianza inversa ottimale nei modelli di diffusione probabilistica denoising gaussiani (DDPM). Gli autori mostrano che abbinare la piena covarianza a posteriori riduce la divergenza KL nello spazio dei percorsi da Ω(1/T) a O(1/T²), superando una barriera nota. LGS utilizza solo prodotti covarianza-vettore tramite prodotti Jacobiano-vettore della media a posteriori, evitando la memorizzazione densa. Ciò migliora la guida del classificatore e altre procedure che perturbano l'intera traiettoria inversa.
Fatti principali
- Articolo arXiv 2605.22723
- Introdotto il campionatore gaussiano di Lanczos (LGS)
- Divergenza KL nello spazio dei percorsi ridotta da Ω(1/T) a O(1/T²)
- L'abbinamento della piena covarianza a posteriori supera la barriera Ω(1/T)
- LGS è senza addestramento e senza matrice
- Utilizza prodotti covarianza-vettore tramite prodotti Jacobiano-vettore
- Rilevante per la guida del classificatore
- Evita la memorizzazione densa della covarianza
Entità
Istituzioni
- arXiv