arXiv cs.AI· Yilie Huang, Wenpin Tang, Xun Yu Zhou·· 10 小时前AI 评分31
自适应重参数化时间 ART：为基于分数的扩散采样学习时间步调度
Adaptive Reparametrized Time for Score-Based Diffusion Sampling
AI 导读
研究者提出自适应重参数化时间（ART），把采样时钟速度作为控制量学习时间变换，使学习时钟上的均匀网格在原始扩散时间中产生自适应时间步。配套的 ART-RL 用高斯策略将调度学习转化为连续时间强化学习问题，并证明其最优策略均值可恢复 ART 的最优时间变换率。
正文 · AI 翻译
摘要：我们研究基于分数的扩散采样中的时间步分配问题，其中学习到的逆向时间动力学在有限网格上被离散化。均匀调度和手工设计的调度是标准选择，但它们依赖固定的预设方案，因此可能并非最优。为解决这一局限，我们提出自适应重参数化时间（ART），这是一种连续时间控制形式，通过将采样时钟的速度视为控制量来学习时间变换，从而在学习到的时钟上的均匀网格会在原始扩散时间中诱导出自适应时间步。基于一阶欧拉误差代理，ART 为沿采样轨迹分配时间步提供了一个有原则的目标。为求解这一确定性控制问题，我们引入 ART-RL，这是一种带有高斯策略的辅助随机化形式，将调度学习转化为连续时间强化学习问题。我们证明，随机化的 ART-RL 形式在优化器层面等价于 ART，即其最优高斯策略通过其均值恢复最优的 ART 时间扭曲率。我们进一步建立了策略评估与策略改进刻画，并推导出基于轨迹的矩恒等式，从而得到可用于学习调度的 actor--critic 更新。从受控的低维设置到图像生成的各项实验中，ART-RL 只需改变时间步网格即可插入现有扩散采样器，在相同预算下持续优于强基线调度，同时保持采样流程的其余部分不变。学习到的调度还表现出广泛的泛化能力，无需重新训练即可跨采样预算、数据集、求解器、流程和表示空间迁移。
| 评论： | 37 页，14 幅图，8 张表。已被《机器学习研究杂志》（JMLR）接收发表 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；系统与控制（eess.SY）；优化与控制（math.OC） |
| 引用为： | arXiv:2607.02137 [cs.LG] |
| （或本版本的 arXiv:2607.02137v4 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2607.02137 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yilie Huang [查看邮箱]
[v1]
2026 年 7 月 2 日星期四 13:13:19 UTC（24,062 KB）
[v2]
2026 年 7 月 3 日星期五 02:14:28 UTC（24,062 KB）
[v3]
2026 年 9 月 30 日星期三 09:17:14 UTC（24,062 KB）
[v4]
2026 年 11 月 10 日星期二 14:15:47 UTC（24,062 KB）
来源：arXiv cs.AI · arxiv.org