论文
条件扩散中高斯混合逆核的普适性
Universality of Gaussian-Mixture Reverse Kernels in Conditional Diffusion
摘要
我们证明，反向核是 ReLU 网络 logits 的有限高斯混合的条件扩散模型可以在上下文平均条件 KL 散度中任意良好地近似适当的规则目标分布，直到不可约的终端失配，该失配通常随着扩散范围的增加而消失。路径空间分解将输出误差减少到这种不匹配加上每步反向内核误差；假设每个反向核因子通过有限维特征图，每一步都变成静态条件密度逼近问题，通过将 Norets 的高斯混合理论与定量 ReLU 界限结合起来解决。在精确的终端匹配下，生成的神经反向核类在条件 KL 中是密集的。