系列文章目录
前言
以下是分类、回归、扩散模型的对比表格：
| 对比维度 | 分类问题 | 回归问题 | 扩散模型 |
|---|---|---|---|
| 任务目标 | 预测离散类别标签 | 预测连续数值 | 学习数据分布并生成新样本 |
| 输入/输出 | 输入：特征向量 输出：类别概率 | 输入：特征向量 输出：连续值 | 输入：含噪数据
(
x
t
)
(x_t)
(xt) + 时间步 (t) 输出：预测噪声 ( ϵ θ ) (\epsilon_{\theta}) (ϵθ) |
| 损失函数 | 交叉熵损失（CrossEntropyLoss） | 均方误差损失（MSELoss） | 均方误差损失（MSELoss，预测噪声） 或变分下界损失 |
| 模型结构 | 逻辑回归、CNN、Transformer等 | 线性回归、决策树、SVM回归等 | U-Net、DiT（去噪器） |
| 核心关注点 | 类别间的边界划分 | 输入与输出的函数映射关系 | 噪声分布建模与去噪过程 |
| 典型应用 | 图像分类、情感分析 | 房价预测、温度预测 | 图像生成、分子结构生成 |
| 数据标签类型 | 离散（如0/1，类别名称） | 连续（如实数、浮点数） | 隐含标签（数据分布本身） |
| 输出特性 | 概率分布或离散值 | 连续数值 | 噪声预测（用于反向去噪生成样本） |
关键区别总结：
- 任务本质：分类和回归是监督学习任务，依赖显式标签；扩散模型是生成模型，目标是学习数据分布。
- 损失函数：分类用交叉熵，回归和扩散模型均用MSE，但扩散模型的MSE针对噪声预测而非直接重构输入。
- 输出目标：分类输出类别概率，回归输出连续值，扩散模型输出噪声以指导去噪过程。
扫一扫
3998
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
