新研究用因果最优传输为退化扩散模型定义引导损失，摆脱对分数函数的依赖
伊利诺伊大学厄巴纳-香槟分校研究人员提出，在扩散系数奇异、条件密度不存在或不光滑时，用因果最优传输构造近似损失函数，以最小熵控制实现引导。
AI解读：现在主流的条件生成模型训练时几乎都靠得分函数来做引导，可得分函数要求底层的概率密度存在并且足够光滑。这篇论文处理的正是密度不存在或不平滑、扩散系数还出现奇异的极端情况——常规方法会直接失效。研究者改用了因果最优传输这个数学工具，把引导问题转化成找一个最小熵的控制，并且在很弱的假设下就能成立。对做生成建模的研究者来说，如果你在训练条件扩散模型时遇到密度退化、无法用得分函数的情况，这个方法可以提供一套替代的损失函数来定义引导目标。不过目前还只是理论框架，论文没有给出实验效果数据，实际生成质量能不能追上基于得分的方法，还需要后续验证。
伊利诺伊大学厄巴纳-香槟分校的Uğur Aydın和Tamer Başar在arXiv发表论文《Conditioning Degenerate Diffusion Models》，提出在扩散系数奇异、条件密度不存在或不光滑的情况下，用因果最优传输定义近似损失函数，以最小熵控制实现条件生成模型的引导。论文 2026 年 9 月 3 日提交，归类于机器学习（cs.LG）。