Краткое содержание

arXiv:2511.11688v1 Тип объявления: новый Аннотация: Диффузионные вероятностные модели установили новый стандарт для генеративной точности, но их затрудняет медленный итеративный процесс сэмплирования. Мощной стратегией ускорения этого процесса, не требующей обучения, является Оптимизация Расписания, цель которой — найти оптимальное распределение временных шагов для фиксированного и малого Числа Оценок Функции (ЧОФ), чтобы максимизировать качество сэмплов. Для этого успешный метод оптимизации расписания должен соответствовать четырем ключевым принципам: эффективность, адаптивность, практическая робастность и вычислительная эффективность. Однако существующие парадигмы не способны одновременно удовлетворить всем этим принципам, что создает потребность в более продвинутом решении. Чтобы преодолеть эти ограничения, мы предлагаем Иерархический Оптимизатор Расписания (HSO) — новую и эффективную двухуровневую框架 оптимизации. HSO переформулирует поиск глобально оптимального расписания в более разрешимую задачу, путем итеративного чередования между двумя синергетическими уровнями: