扩散模型最早在图像生成领域大火，随后扩展到了其他连续域，例如语音、视频、点云数据，最近Google发布的用于文本到图像生成的GLIDE模型，更是让扩散模型从AI圈内火到了圈外。

不过，虽然扩散模型的热度极高，但是面向离散变量的扩散模型的性能一直欠佳，特别是在语言，图等结构当中。

最近，斯坦福大学自然语言处理研究组在利用扩散模型解决自然语言处理问题中取得了新的进展。

具体说来，在可控自然语言生成任务上，研究者们利用连续扩散模型，对预训练的语言生成模型进行可插拔的操控，就能够在许多任务上达到甚至超过Fine-Tuning的效果，大幅度超越了之前的工作。

这篇工作从方法和实验上都非常的新颖和扎实，短短一周就已经在Twitter上收获了千赞，在Github上收获了140个stars。

下面，就让我们一起来了解这篇扩散模型在语言领域的应用工作吧，说不定也能给你的领域带来启发呢~

论文标题:
Diffusion-LM Improves Controllable Text Generation
论文链接:
https://arxiv.org/pdf/2205.14217.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除