Skip to content
Hot eventLive

SMI：通过扩散互信息控制隐式生成模型依赖

1 reports1 sources4 hr ago updated

Get the story

AI overview

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。

Generated from reports · updated 3 hr ago

LatestOct 8
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。

Timeline

Follow the coverage from different angles.

Oct 8, 2026
  1. 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。

Heat trend

Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –

02.557.510Oct8Oct8Oct8Oct8

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.