Tag: science-depth
-
【AI 核心深度 M6-069】解释条件流匹配与边缘流匹配的差异。（Conditional Flow Matching vs Marginal Flow Matching: Tractability and Equivalence）深度数理推导与工程落地解析
边缘流匹配的目标不可计算（需知道整个分布）；条件流匹配用可采样的条件路径，且其梯度与边缘相同。
-
【AI 核心深度 M6-070】解释 Flow Matching 与 score matching 的关系。（Interconnection Between Flow Matching and Score-Based Denoising）深度数理推导与工程落地解析
两者都是’用可计算的条件量回归不可计算的边缘量’：FM 回归条件速度、score matching 回归条件 score；扩散是两者的桥梁。
-
【AI 核心深度 M6-071】解释 Flow Matching 中的路径选择与最优传输。（Path Geometries and Optimal Transport Interpolants in Flow Matching）深度数理推导与工程落地解析
路径可选直线/扩散/OT；OT 路径（最优传输）使路径尽量不交叉，从而少步采样质量更好。
-
【AI 核心深度 M6-045】解释噪声调度（linear vs cosine）的影响。（Noise Scheduling Dynamics: Linear vs Cosine Variance Schedules and SNR Boundaries）深度数理推导与工程落地解析
调度决定各时间步的信噪比分布；linear 在两端浪费（中间信噪比变化快），cosine 更均匀，质量更好。
-
【AI 核心深度 M6-046】解释扩散模型的 ELBO 与简化损失的差异。（Mathematical Derivation of the Diffusion Variational Lower Bound (ELBO) vs Simplified Objective）深度数理推导与工程落地解析
ELBO 给出各时间步加权的 MSE；DDPM 的简化损失去掉权重用均匀 MSE，实践效果更好但不再是严格的似然下界。
-
【AI 核心深度 M6-047】解释扩散模型的推理加速路线。（Inference Acceleration Paradigms for Diffusion Models: Solvers, Distillation, and Flow Matching）深度数理推导与工程落地解析
减少步数（高阶求解器/蒸馏）、缓存复用、并行化、以及潜空间压缩（LDM）与量化。
-
【AI 核心深度 M6-048】解释 score matching 与扩散的关系。（Score-Based Generative Modeling and Equivalence with Denoising Diffusion Probabilistic Models）深度数理推导与工程落地解析
扩散的 ε 预测等价于估计 score（∇log p）；去噪 score matching 提供了扩散损失的另一种（统一的）推导。
-
【AI 核心深度 M6-049】解释 v-prediction 与 epsilon-prediction 的差异。（Velocity v-Prediction vs Epsilon-Prediction in Diffusion Models: SNR Stability and Extreme Noise Regimes）深度数理推导与工程落地解析
ε-prediction 在高噪声区难（信号弱）；x_0-prediction 在低噪声区难；v-prediction 是两者的平衡，各 SNR 区间难度更均匀。
-
【AI 核心深度 M6-050】解释扩散模型的条件注入方式（cross-attention / concat / adaLN）。（Conditioning Mechanisms in Diffusion Models: Cross-Attention, Channel Concatenation, and AdaLN）深度数理推导与工程落地解析
文本条件常用 cross-attention（U-Net）或 adaLN 调制（DiT）；类别/低层条件常用 concat；可组合使用。
-
【AI 核心深度 M6-051】解释扩散模型的 SDE 与 ODE 采样。（Continuous-Time Diffusion Formulations: Forward/Reverse SDEs and Probability Flow ODEs）深度数理推导与工程落地解析
反向 SDE（随机，DDPM/Euler-a）与概率流 ODE（确定，DDIM/DPM-Solver）有相同边缘分布；ODE 可大步长、SDE 多样性更高。