我发明的算法，登上了 Hacker News 日榜第二！

[diyer22]

我在之前 ICLR 2025 的论文中提出了一种全新的生成模型——「离散分布网络」(Discrete Distribution Networks)

前两天在 Hacker News 上宣传，反响热烈，竟然来到了日榜第二名，给项目的网页带来了近 1.5 万的访问量。

所以，现在想在 V2EX 也宣传交流一下~

一句话介绍：「离散分布网络」是一个原理简单、性质独特的全新生成模型，有着非常多有趣的性质。期待 DDN 能给更多人带来灵感~

PS. GitHub 五万关注者的算法大 V lucidrains 也复现了 DDN 算法： https://github.com/lucidrains/discrete-distribution-network

详情：

英文介绍： https://x.com/diyerxx/status/1978531040068321766 （ twitter 冷启动实在太难啦，求互动一下鼓励鼓励🥺）

中文介绍： https://zhuanlan.zhihu.com/p/1935903948990047972

项目网页： https://discrete-distribution-networks.github.io/

GitHub： https://github.com/DIYer22/discrete_distribution_networks

[chen88ijn]

太强了，巨佬

[JoeJoeJoe]

K-means?

[Wcowin]

先收藏慢慢看

[diyer22]

@JoeJoeJoe DDN 的形式上和 k-means 比较相似，且都支持无监督聚类。但他们不同点有：算法作用（生成建模 VS 聚类）、优化目标、优化方式、DDN 的层次结构、DDN 的样本点是神经网络的 outputs 等。 所以，属于独立的两个算法。

[molvqingtai]

虽然看不懂，但我大受震撼！

[JoeJoeJoe]

@diyer22 刚才只是大概看了下项目网页, 感觉很像, 收藏以后细读.

ps: 想给你点个 V 币赞赏,看你没绑定钱包,直接给你来个铜币赞吧.

[monmon]

知道我为什么喜欢来 V 站了吗，这里个个都是人才，说话又好听，超喜欢在里面

[pianjiao]

虽然看不懂，但是佬就是牛逼

[spike0100]

虽然不知道你在说什么，但是感觉很厉害的样子！

[hikarumx]

v 站就是大佬多。

[xion21]

大佬

[tanglindan6]

仰望一下大佬！

[irrigate2554]

是大佬

[Simon95]

支持，x 关注了，github 星星了。我简单看了下，感觉有点像 RVQ ？

[Simon95]

哇，大佬一个人创新算法，膜拜。还有请教下最近做的工作感觉，FSQ codebook usage 能到 1 ，大佬觉得 VQ-VAE codebook collapse 还是问题吗？

[halberd]

非常有才华的想法啊，用一棵树撑起整个特征空间。
从网络参数分配的角度讲，我感觉直观上存在这样一个问题：第 i 层网络负责的区域实际上会分散在特征空间的各处，它做的事是把负责的这一块空间再向下切分成 K 小块。也就是说每一层并不会去擅长某种类型的特征，而是专门做某一级的细分。给我一种缺乏“局部性”的感觉，好像这个专家分配并没有很优，会不会潜在地影响能力呢。
当然这是用线性的参数量去拟合指数的空间肯定会遇到的问题。默认的多层实现相当于按照树深度、也即特征空间中的位置层级来分配参数，属于一种人为、简洁有效的策略；而共享参数实现和 diffusion 类似，是把全部任务交给整个模型，让模型自己学习不同位置的策略（以 v-pred diffusion 为例，使用全部参数去完成在任意位置 x_t 上的 v_t(x_t)预测）。

[cjh1095358798]

牛批啊佬

[ik]

我什么身份和大佬在一个帖子

[diyer22]

@Simon95 DDN 和 VQ-VAE （ RVQ ） 明显不同。
相似之处：
- 两者都把数据映射到离散的潜空间。
区别：
- VQ-VAE 需要额外的先验模型（如 PixelCNN 或 transformer 先验）来建模码本的分布； DDN 自己就能构建层次离散分布，甚至可作为类似 VQ-VAE 系统的先验模型。
- DDN 的 K 个输出是随输入变化的特征； VQ-VAE 的码本是一组与输入无关、固定不变的独立参数（ embedding ）。
- VQ-VAE 输出二维 code index 网格 latent ； DDN 输出一维/树状结构的 latent 。
- VQ-VAE 需要 Straight-Through 梯度估计器。
- DDN 支持零样本条件生成。
因此，我认为它们挺互补的。（参见论文中的“Connections to VQ-VAE”部分。）

---

我对 VQ-VAE 不是很了解，在我看来 VQ-VAE codebook collapse 应该有很多方法能缓解，比如和 DDN 论文中 Split-and-Prune 类似的 reinitialization 的方案。（也在“Connections to VQ-VAE”部分。）

[itechify]

虽然看不懂，但我大受震撼！

[diyer22]

@halberd 感谢欣赏~
别忘了，主干 feature 会贯穿 DDN 的每一层。也就是说，每一层的计算和特征还会为最后一层的 output 负责，而不仅仅是专门为了某一层切分成 K 小块而服务。

[supemaomao]

虽然看不懂，但我大受震撼！

[djs]

大佬牛逼

[gmuubyssss]

我是来为大神喝彩的。

[lzjunika]

膜拜

[NeedforV2]

虽然看不懂，但我大受震撼！

[spacebound]

虽然看不懂，但我大受震撼！

[xinyu391]

看不懂

[zhaosong]

已经是另一个 level 呢吗，你这家伙

[wukaige]

巨佬合影

[TQQQ]

能应用到 TTS(语音合成)吗

[diyer22]

@TQQQ 我觉得 DDN 是具备处理 TTS 任务的能力，因为在文字条件的约束下，生成空间被大幅缩小。
建议再搭配一个自回归模型（ GPT ），以获得更强的建模能力。比如把 GPT 的分类 head 换为 DDN ，应该能 work 。

[jy02534655]

原来这就是大佬的世界，我只能说 6666

[Simon95]

@diyer22 DDN 和 RVQ （ Residual vector Quantization ）我觉得结合 GPT 在训练时候可能都有一个问题，就是第一层的码本（对应着 DDN 第一个 level ）的重建都相当好，但其余码本的效果就比较差。
因为 DDN 好像不同 level 之间也类似于的“残差”？但是在样本空间，而不是在 latent space 。
我就是做语音的，在图像领域最新的论文（ Diffusion Transformers with Representation Autoencoders ）好像也表示不压缩效果更好。但用 CFM 去做生成的话，好像利用样本空间的分布直接生成的效果不是很好，而用 latent space 的分布更好，我感觉 DDN 的分布更接近于样本空间？
不知道训练的效率怎么样，我找个时间在更大的数据集上跑跑试试。

[lyxxxh2]

hacker new?
以前也听过别人贴子:"登上 Hacker News 榜第 x"
好像很水吧,随便发帖就能上的。

[diyer22]

@Simon95
- 我觉得 DDN 的情况可能是第一层重建效果会比较差（非常模糊），随着层数增加才会变得清晰。
- 虽然 DDN 是在样本空间做的采样和 “残差”，但 DDN 也可以像 latent diffusion 一样在 latent 空间做生成。（这时候的生成样本就成了 AutoEncoder 的 latent ）
- 训练效率还可以，中文博客的 “附录的 Q1” 有论述。目前 DDN 的最大问题还是 latent 空间不够大，需要改进自身（方案见中文博客的“不足和改进”）或者和 GPT 结合来分段建模，缩小空间
- 欢迎尝试，遇到问题了随时提 issue ，发邮件~

[evilcat]

算法大佬