有限阶松弛框架为离散变量构造路径梯度
Get the story
2026年10月7日，arXiv Statistics Machine Learning 发布论文，提出一个通用框架，将路径梯度扩展到离散随机变量。该框架为 Poisson 等常见离散变量构造有限阶精确路径梯度估计量，定义为次数不超过给定阶的多项式无偏解中的最小范数解。论文称该估计量保留硬前向采样、无需温度调节，几行代码即可实现，在所有可行解中唯一且使权重方差最小化。实验显示，低阶方法在线性、非线性与分层潜变量模型上匹配或优于调优基线，并在每个运行时基准中快于竞争对手。目前报道仅涉及该论文内容，尚无后续验证或第三方复现信息。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Statistics Machine Learning通过有限阶松弛将路径梯度扩展到离散随机变量
论文提出一个通用框架，为 Poisson 等常见离散随机变量构造有限阶精确路径梯度估计量，该估计量是次数不超过给定阶的多项式无偏解中的最小范数解。估计量保留硬前向采样、无需温度调节，几行代码即可实现，并在所有可行解中唯一且使权重方差最小化。实验显示低阶方法在线性、非线性与分层潜变量模型上匹配或优于调优基线，并在每个运行时基准中快于竞争对手。
Heat trend
Current heat 9·Comparable peak 10（Oct 7）·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.