Работы о зашумлении и восстановлении категориальных состояний. Маскированные токены — лишь часть этого пространства: дискретные переходы не обязательно используют только состояние маски.
Как читать и сравнивать
Какие состояния и прямые переходы использует метод?
Совпадают ли токенизатор, данные, сэмплер и протокол оценки при сравнении?
D3PM показывает пространство конструкций, но не гарантирует одинаковую эффективность всех переходов для текста.
Наличие кода не гарантирует воспроизводимость. Сверяйте набор данных, метрику, протокол и условия в оригинале.
Оригинальная аннотация: Radiology report generation (RRG) aims to automatically produce clinically accurate textual reports from medical images. Existing methods predominantly rely on autoregressive (AR) language models, whose causal dependency structure restricts generation to a unidirectional left-to-right process. This paradigm can induce sequence bias, where models tend to follow stereotypical token orders and high-frequency report templates rather than fully grounding generation in image-specific evidence. In this paper, we propose AnchorDiff, the first masked-diffusion framework for RRG that integrates knowledg
Полезно для: Не указано · Ограничение: Не указано
2026-05-16T06:15:47+00:00 · Маскированная / дискретная диффузия, Генерация кода · Источник
Оригинальная аннотация: Discrete diffusion models are a powerful, emerging paradigm for code generation. They construct programs through iterative refinement of partially corrupted token sequences and enable parallel token refinement. Importantly, this paradigm exposes a global program state at each denoising step, which provides a natural intervention point for enforcing program-level functionality and security constraints, guiding the generation before the final code is committed. Building on this observation, the paper introduces Constrained Diffusion for Code (CDC), a training-free neurosymbolic inference framewo