无限生成视频，还能规划决策，扩散强制整合下一token预测与全序列扩散

珍惜时间，勤奋学习！今天给大家带来《无限生成视频，还能规划决策，扩散强制整合下一token预测与全序列扩散》，正文内容主要涉及到等等，如果你正在学习科技周边，或者是对科技周边有疑问，欢迎大家关注我！后面我会持续更新相关内容的，希望都能帮到正在学习的大家！

当前，采用下一 token 预测范式的自回归大型语言模型已经风靡全球，同时互联网上的大量合成图像和视频也早已让我们见识到了扩散模型的强大之处。

近日，MIT CSAIL 的一个研究团队（一作为 MIT 在读博士陈博远）成功地将全序列扩散模型与下一 token 模型的强大能力统合到了一起，提出了一种训练和采样范式：Diffusion Forcing（DF）。

• 论文标题：Diffusion Forcing:Next-token Prediction Meets Full-Sequence Diffusion

• 论文地址：https://arxiv.org/pdf/2407.01392

• 项目网站：https://boyuan.space/diffusion-forcing

• 代码地址：https://github.com/buoyancy99/diffusion-forcing

如下所示，扩散强制在一致性和稳定性方面都明显胜过全序列扩散和教师强制这两种方法。

对于序列，可将这种操作描述成：沿时间轴执行掩码。我们可以将全序列前向扩散（即逐渐向数据添加噪声的过程）看作一种部分掩码（partial masking），这可被称为「沿噪声轴执行掩码）。

事实上，在 K 步加噪之后，（大概）就是白噪声了，不再有任何有关原数据的信息。

扩散强制（DF）框架可用于训练和采样任意序列长度的有噪声 token ，其中的关键在于每个 token 的噪声水平 k_t 会随时间步骤而变化。

权重为 θ 的 RNN 维护着获悉过去 token 影响的隐藏状态 z_t，其会通过一个循环层根据动态而演化。当获得输入噪声观察时，就以马尔可夫方式更新该隐藏状态。

定理 3.1（非正式）。扩散强制训练流程（算法 1）是在期望对数似然上优化证据下限（ELBO）的重新加权，其中期望值会在噪声水平上平均，而是根据前向过程加噪。此外，在适当条件下，优化 (3.1) 式还可以同时最大化所有噪声水平序列的似然下限。

• 让自回归生成变得稳定
• 保持未来的不确定
• 长期引导能力

首先，定义一个马尔可夫决策过程，该过程具有动态 p (s_{t+1}|s_t, a_t)、观察 p (o_t|s_t) 和奖励 p (r_t|s_t, a_t)。这里的目标是训练一个策略 π(a_t|o_{1:t})，使得轨迹 的预期累积奖励最大化。这里分配 token x_t = [a_t, r_t, o_{t+1}]。一条轨迹就是一个序列 x_{1:T}，其长度可能是可变的；训练方式则如算法 1 所示。

在执行过程的每一步 t，都有一个隐藏状态 z_{t-1} 总结过去的无噪声 token x_{1:t-1}。基于这个隐藏状态，根据算法 2 采样一个规划，其中包含预测的动作、奖励和观察。H 是一个前向观察窗口，类似于模型预测控制中的未来预测。在采用了规划的动作之后，环境会得到一个奖励和下一个观察，从而得到下一个 token。其中隐藏状态可以根据后验 p_θ(z_t|z_{t−1}, x_t, 0) 获得更新。

• 具有灵活的规划范围
• 可实现灵活的奖励引导
• 能实现蒙特卡洛树引导（MCTG），从而实现未来不确定性

此外，当第三个位置有一个水果时，就无法通过当前观察推断出所需结果 —— 策略必须记住初始配置才能决定移动哪个水果。不同于常用的行为克隆方法，DF 可以自然地将记忆整合进自己的隐藏状态中。结果发现，DF 能实现 80% 的成功率，而扩散策略（当前最佳的无记忆模仿学习算法）却失败了。

到这里，我们也就讲完了《无限生成视频，还能规划决策，扩散强制整合下一token预测与全序列扩散》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于工程的知识点！