Microsoft Research视频
将测度动力学拓展至生成建模之外
6.2Score
可直接观看的视频资源打开原视频
TL;DR · AI 摘要
演讲提出将测度动力学从生成建模拓展至含黑盒污染的自洽传输场景，但仅提供概念框架，缺乏实验与细节。
核心要点
- 核心是将测度动力学延伸至黑盒数据污染下的自洽传输问题。
- 回顾了基于ODE/SDE的测度传输方法（如score扩散、flow matching），强调其连续时间建模优势。
- 未提供算法实现或实验结果，工程价值有限。
结构提纲
按章节快速跳转。
生成建模已成为图像、视频、蛋白质结构等多模态数据生成的主流范式，但依赖干净数据假设。
通过ODE或SDE将易采样基测度映射到目标测度，代表方法包括score-based diffusion、flow matching等。
提出将测度动力学推广至数据被未知黑盒过程污染的场景，需保证传输过程在污染下仍自洽。
反向SDE的构造依赖于对数密度梯度（score函数），其有效性可通过Fokker-Planck方程推导验证。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- 测度动力学的扩展：黑盒污染下的自洽传输
- 基础范式
- 测度传输（ODE/SDE）
- score-based diffusion
- flow matching
- 核心挑战
- 黑盒数据污染（black-box corruptions）
- 自洽性要求（self-consistency）
- 理论支撑
- Fokker-Planck方程
- 粒子-密度对应关系
金句 / Highlights
值得收藏与分享的关键句。
测度传输模型的成功源于其连续时间建模能力，使SDE粒子动力学与PDE密度演化之间建立严格对应关系。
在score-based扩散模型中，反向SDE的关键项是中间时刻t的对数密度梯度（即score函数），它驱动噪声样本还原为干净数据。
演讲标题暗示研究方向为‘超越生成建模的测度动力学’，但实际内容仍聚焦于带污染的生成任务，尚未真正脱离生成范式。
#生成建模#测度动力学#黑盒污染#扩散模型