Диффузия и дискретность: новый подход к генерации данных
![Алгоритм Duo++, расширяющий подход Duo, обеспечивает эффективное обучение моделей USDM за счет замены дискретных поисков линейными комбинациями эмбеддингов, используя диффузию Гаусса, взвешенную сумму и температурный softmax, при этом, за счет использования разреженности последнего, достигается снижение потребления памяти на 33% и ускорение обучения на 25% по сравнению с базовым алгоритмом Duo, а приближенная нормализация [latex]\tilde{Z}[/latex] может быть вычислена в замкнутой форме согласно уравнению (14).](https://arxiv.org/html/2602.21185v1/x4.png)
Исследователи предлагают Duo++, инновационную методику, объединяющую принципы диффузионных моделей и эффективное обучение по учебному плану для улучшения качества и скорости генерации дискретных данных.
![В исследовании выявлена зависимость между уровнем эмпатии взаимодействующих агентов и вероятностью взаимного сотрудничества: средняя доля раундов, завершившихся взаимным сотрудничеством, варьируется в зависимости от параметров эмпатии [latex] \lambda_i [/latex] и [latex] \lambda_j [/latex] агентов, что указывает на формирование ландшафта взаимного сотрудничества, определяемого их эмпатическими характеристиками.](https://arxiv.org/html/2602.20936v1/images/Fig1_agent_empathy.png)





