扩散模型扰动传播理论框架研究
Get the story
2026年10月9日，研究者在 arXiv（Artificial Intelligence，一手报道）发表研究，建立分析扩散模型采样过程中扰动传播的理论框架。该框架用扰动轨迹与参考轨迹分布之间的 Kullback-Leibler（KL）散度定义路径代价，并证明路径代价可约束但不能决定输出分布的变化。研究进一步推导出响应恒等式，将局部扰动的传播与累积同所选特征均值所捕获的信息联系起来，用以解释输出分布变化为何可能无法被一阶响应检测到。该框架还被应用于 cache-based 加速场景，能够可靠识别出缓存导致更大图像误差的采样区间。目前报道仅涉及这一框架的建立与应用，未见后续验证或争议信息。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Artificial Intelligence扩散模型中相同路径代价为何产生不同输出效应：扰动传播机制解析
研究者建立理论框架分析扩散模型采样过程中的扰动传播，用扰动轨迹与参考轨迹分布间的 Kullback-Leibler (KL) 散度定义路径代价，证明其可约束但不决定输出分布变化。研究推导出响应恒等式，将局部扰动的传播与累积同所选特征均值捕获的信息联系起来，解释输出分布变化为何可能不被一阶响应检测到。框架应用于 cache-based 加速，可靠识别出缓存导致更大图像误差的采样区间。
Heat trend
Current heat 9·Comparable peak 10（Oct 9）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.