University of Edinburgh（爱丁堡大学）

From discrete-time policies to continuous-time diffusion samplers: Asymptotic equivalences and faster training

从离散时间策略到连续时间扩散采样器：渐近等价与更快的训练

Julius Berner, Lorenz Richter, Marcin Sendera, Jarrid Rector-Brooks, Nikolay Malkin

机构 * California Institute of Technology（加州理工学院） ； NVIDIA（英伟达） ； Zuse Institute Berlin（柏林泽尼克研究所） ； dida Datenschmiede GmbH（dida数据隐私公司） ； Jagiellonian University（雅盖隆大学） ； Mila, Université de Montréal（蒙特利尔大学机器学习研究所） ； University of Edinburgh（爱丁堡大学） ； CIFAR Fellow, Learning in Machines and Brains（CIFAR Fellow, 机器学习与大脑学习） 纠错

AI总结 本文提出通过渐近等价性将离散时间策略转化为连续时间扩散采样器，提升训练效率和采样性能。

Comments TMLR final version; code: https://github.com/GFNOrg/gfn-diffusion/tree/stagger