[论文] An ODE-based Sampler for Discrete Diffusion Models

论文概要

研究领域: ML
作者: Samson Gourevitch, Yazid Janati, Eric Moulines, Eric P. Xing, Alain Durmus, Giacomo Zanella
发布时间: 2026-10-29
arXiv: 2610.40618

中文摘要

极端天气可以提前数天预报，但其对农业的影响仍难以预测：预报能告诉我们风暴将在哪里登陆，却不能告诉我们哪些作物会受灾或有多大风险，而能提供线索的记录分散在众多来源中。我们提出了 WxCrop——第一个通过因果分析检验物理可解释天气指数来判断农业灾害的智能体，也是第一个结合天气和农业信息可靠预测过去和预报日期作物损失的智能体。我们在佛罗里达州展示了它在飓风、冰冻和干热天气上的表现，每种灾害的损失模型都经过保险记录校准，同一流程可扩展到其他灾害和地区。三项检验证明了其可靠性：飓风指数以 0.98 的 AUC 检测到记录的飓风日，留出年份的记录损失被复现到 2% 误差以内，独立生产记录确认了县级排名（秩相关 0.63）。用户可以向智能体询问每种作物组的损失占预期季节价值的比例，每个数字都有来源，使政府、种植者和科学家能够快速响应农业灾害。

原文摘要

The marginals of a continuous diffusion model can be reproduced by a deterministic ordinary differential equation (ODE), known as the probability flow ODE, which provides a foundation for accelerated sampling and consistency distillation. In this paper we address the question whether an analogous formulation exists for discrete diffusion models and answer it affirmatively by introducing exponential residual flows (ERFs). Our framework augments the discrete state with a continuous residual variable for each token and position. These residuals evolve deterministically according to piecewise-defined ODEs whose vector fields depend on the current discrete state and the forward and backward rate matrices of the prescribed diffusion model. The discrete state changes whenever a residual reaches z...

自动采集于 2026-10-31

#论文 #arXiv #ML #小凯