arXiv cs.AI· Xiang Li, Yixuan Jia, Xiao Li, Jeffrey A. Fessler, Rongrong Wang, Qing Qu·· 12 小时前AI 评分31
MCLR：通过类间似然比最大化改进条件生成，并统一无分类器引导与对齐目标
MCLR: Improving Conditional Modeling via Inter-Class Likelihood-Ratio Maximization and Unifying Classifier-Free Guidance with Alignment Objectives
AI 导读
研究者提出微调目标 MCLR，通过显式最大化类间似然比增强类别特定结构，在多种模型和数据集上显著提升无引导条件生成效果并缩小与 CFG 的差距。理论上证明 CFG 引导得分是样本自适应加权、ELBO 近似的 MCLR 目标的唯一极小值点，从而将 CFG 解释为隐式的推理时对比对齐过程。研究还厘清了 MCLR 与 DPO、CCA、CFM 等对比目标的联系与差异。
正文 · AI 翻译
摘要：扩散模型具有强大的生成性能，但往往依赖无分类器引导（CFG），这是一种在推理阶段修改采样轨迹的干预手段。由于标准去噪分数匹配（DSM）在分数学习准确时应能恢复目标分布，CFG 在实际中的必要性表明所学习的条件分数存在缺陷。我们将类间分离较弱识别为其中一种局限：在不同标签下由同一噪声生成的样本可能保留相似的类无关结构。为弥补这一缺陷，我们提出 MCLR，一种有原则的微调目标，显式最大化类间似然比，从而在标准采样下强化类特定结构。在多种模型和数据集上，MCLR 显著提升了无引导的条件生成，并缩小了与 CFG 的差距。在理论上，我们证明 CFG 引导的分数是样本自适应加权的、ELBO 近似的 MCLR 目标的唯一极小值点，从而将 CFG 解释为一种隐式的推理阶段对比对齐过程。我们进一步将 MCLR 与相关对比目标（包括 DPO、CCA 和 CFM）进行比较，在原本零散的文献中厘清它们之间的联系与关键差异。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2603.22364 [cs.LG] |
| （或 arXiv:2603.22364v4 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.22364 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xiang Li [查看邮箱]
[v1]
2026年3月23日星期一 05:01:47 UTC（45,122 KB）
[v2]
2026年4月9日星期四 15:35:52 UTC（28,146 KB）
[v3]
2026年5月12日星期二 23:23:12 UTC（21,817 KB）
[v4]
2026年10月20日星期二 20:25:03 UTC（23,654 KB）
来源：arXiv cs.AI · arxiv.org