热点事件持续更新
SMI：通过扩散互信息控制隐式生成模型依赖
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月8日，arXiv（Statistics Machine Learning）发布论文，提出 Spread Mutual Information（SMI）方法，用于控制隐式生成模型中的统计依赖。该方法通过对生成变量施加共同扩散核，并在多个噪声水平上对互信息（MI）加权积分实现控制。高斯扩散可生成平滑且严格为正的条件与边缘密度，从而把基于条件与边缘分数差的梯度构造扩展到原本可能奇异的分布。实验显示，SMI 在 MI 类方法中能稳定实现依赖控制，并与特定任务方法保持竞争力。目前公开信息仅包含该论文报道，尚未见后续验证或独立复现结果。
AI 根据报道生成 · 2 小时前更新
最新进展10月8日 12:00
arXiv 发布 SMI 论文，提出用扩散加权互信息控制隐式生成模型依赖，实验显示其稳定且具竞争力。报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv · Statistics Machine Learning通过 Spread Mutual Information 控制隐式生成模型中的依赖关系
论文提出 Spread Mutual Information（SMI），通过对生成变量施加共同扩散核、在多个噪声水平上对互信息（MI）加权积分，以控制隐式生成模型中的统计依赖。高斯扩散可生成平滑且严格为正的条件与边缘密度，从而把基于条件与边缘分数差的梯度构造扩展到原本可能奇异的分布。实验显示 SMI 在 MI 类方法中稳定实现依赖控制，并与特定任务方法保持竞争力。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。