离散扩散模型理论博士岗位 F/M

本博士项目研究用于生成类别数据的离散扩散模型的理论基础，重点关注通过神经网络估计得分函数时的学习与泛化能力。研究方法包括理论探索、实验验证及撰写学术论文。

研究任务： 离散扩散模型已成为生成文本及其他类别数据时，自回归模型之外的一类主要方法 [1, 2]。它们利用神经网络学习的得分函数，逆转逐渐扰乱数据的马尔可夫链来生成样本 [1]。尽管实证表现成功，理论理解仍远不如连续扩散模型成熟。 本博士研究离散扩散模型的理论基础，特别是神经网络估计得分函数时的学习及泛化能力。在近期统计分析 [3, 4] 及扩散模型泛化界 [5] 基础上，研究统计误差、逼近误差和优化误差如何影响生成样本质量，并通过数值实验验证理论。 参考文献： [1] A. Lou、C. Meng、S. Ermon，《通过估计数据分布比率进行离散扩散建模》（Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution），ICML，2024。 [2] S. S. Sahoo、M. Arriola、Y. Schiff、A. Gokaslan、E. Marroquin、J. T. Chiu、A. Rush、V. Kuleshov，《简单有效的掩码扩散语言模型》（Simple and Effective Masked Diffusion Language Models），NeurIPS，2024。 [3] Z. Zhang、H. Fu、Z. Yang、M. Wang、T. Zhao、M. Chen，《离散扩散的泛化界：掩码的统计优势》（Generalization Bounds for Discrete Diffusion: Statistical Advantage of Masking），ICML，2026。 [4] L. Blunda、T. Farghly、U. Şimşekli、A. Durmus，《稀疏条件下离散扩散模型的极小极大最优性》（Discrete Diffusion Models are Minimax Optimal Under Sparsity），arXiv:2610.19020，2026。 [5] B. Dupuis、D. Shariatian、M. Haddouche、A. Durmus、U. Şimşekli，《扩散模型依赖算法与数据的泛化界》（Algorithm- and Data-Dependent Generalization Bounds for Diffusion Models），arXiv:2506.03849，2026。 主要活动：开展理论研究；开展实验进行实证验证；撰写学术文章，并在适当平台传播科研成果。

技能要求： 技术技能及水平：英语达到高水平专业／学术使用能力；Python 及相关深度学习库编程能力良好。

福利： 餐饮补贴；部分公共交通费用报销；每年 7 周年假，另有因法定缩短工时（RTT）产生的 10 天额外休假，并可申请子女生病、搬家等特殊假；远程办公及灵活工时；提供视频会议、电脑设备借用等专业装备；社会、文化及体育活动；职业培训；社会保险保障。 申请此岗位。

申请说明： 国防安全：岗位很可能位于第 2011-1425 号法令所定义的限制区域（ZRR），涉及国家科学技术潜力保护（PPST）。依照 2012 年 7 月 3 日 PPST 法令，须经部长作出有利决定后，由单位负责人批准进入。若部长对位于 ZRR 的该岗位作出不利决定，将取消聘任。 招聘政策：作为多元政策一部分，Inria 所有岗位均向残障人士开放。