我们研究了离散采样的掩蔽扩散，并引入了一种名为\ emph {unmasking growth complexity} ({\ textsf {UGC}\ xspace})的路径解析数据几何度量。其局部增量直接控制Kullback-Leibler (KL)离散化误差，从而对伯努利子集和固定基数解掩蔽方案进行统一分析。在对数-揭示-奇数坐标中，此结构产生

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2608.13520v1)获取最准确的信息。

---
🔗 **原文链接**: [The data geometry of masking diffusion: Certified-optimal sc](https://arxiv.org/abs/2608.13520v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Martin J. Wainwright

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-08-14 14:03