arXiv cs.AI· Bingyan Han·· 11 小时前AI 评分31
Volterra 生成模型：通过马尔可夫提升实现更灵活的时间依赖
Volterra Generative Models via Markovian Lifting
AI 导读
研究者提出 Volterra 生成模型，用马尔可夫近似处理 Volterra 过程的非马尔可夫结构，使去噪问题经高斯条件化后回到原始数据维度，并可与 variance-exploding、variance-preserving 表示建立联系。
正文 · AI 翻译
摘要：基于扩散的生成模型通常通过由布朗运动驱动的马尔可夫过程来扰动数据。Volterra 过程允许更灵活的时间依赖性，但其非马尔可夫结构使得分学习和逆时间模拟变得复杂。我们开发了 Volterra 生成模型并提供了马尔可夫近似。高斯条件化随后将去噪问题约化到原始数据维度。我们展示了与方差爆炸和方差保持表示的联系。我们的框架还允许复用预训练的去噪器，例如 EDM2 网络。借助一个辅助因子，我们从头训练的模型在 MNIST 上达到 $0.547$ 的 FID，在条件 CIFAR-10 上达到 $1.860$。使用自动引导，微调后 ImageNet64 FID 达到 $1.912$，而使用冻结的预训练网络时 ImageNet512 FID 达到 $1.903$。
| 评论： | 大幅修订的稿件；作者列表已更新；35 页 |
| 主题： | 机器学习 (cs.LG)；人工智能 (cs.AI) |
| 引用为： | arXiv:2606.18071 [cs.LG] |
| （或 arXiv:2606.18071v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.18071 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Bingyan Han [查看电子邮件]
[v1]
2026 年 6 月 16 日星期二 15:40:09 UTC（1,442 KB）
[v2]
2026 年 11 月 5 日星期四 00:40:07 UTC（18,517 KB）
来源：arXiv cs.AI · arxiv.org