本文深入探讨实对称矩阵的核心性质，重点分析其特征向量的正交性及其与对偶基、自伴算子之间的关系。通过几何直观和代数证明相结合的方法，揭示实对称矩阵在内积空间中的独特地位，并阐述其在数学和物理中的广泛应用。

本文通过推导阐述扩散模型为何可以绕过ELBO进行训练。我们展示了扩散模型确实具备一个严格的变分下界，但该下界的每一项都能解析地化成一个噪声预测/得分预测/速度预测的均方误差。因此实际训练时直接最小化这个MSE就等价于最大化ELBO，却省去了显式计算任何KL散度、归一化常数或配分函数。

本文深入探讨流模型与扩散模型的训练目标推导，重点介绍流匹配与得分匹配的等价性定理及其证明，帮助理解如何通过条件与边缘视角构建有效的训练损失。

论文阅读

本文我们将深入探讨构建流模型（Flow Models）与扩散模型（Diffusion Models）的核心——训练目标的推导。不同于传统的监督学习任务，这里我们没有明确的标签（label），因此必须从模型本身的动态出发，推导出合适的训练目标。重点是理解六个关键概念：条件概率路径（Conditional Probability Path）、条件向量场（Conditional Vector Field

从最基础的文件权限 rwx 到容器安全，Linux 的权限控制经历了几十年演进。这篇文章梳理了 Unix DAC、Capabilities、Namespace、Cgroup、SELinux 这五套机制，重点讲内核实现和实际应用场景。

no excerpt

本文介绍生成模型的基本概念，流模型与扩散模型的数学基础，以及它们如何通过神经网络参数化向量场或漂移项来实现数据分布的建模与采样。

no excerpt

对称性在现代物理学中的核心地位不可动摇。本文介绍了经典场论的基本框架，阐述了最小作用量原理及其导出运动方程的方法，并重点讨论了诺特定理如何将连续对称性与守恒定律联系起来。通过具体例子，我们展示了不同类型的对称性及其对应的守恒量，揭示了对称性在理解自然界基本相互作用中的重要作用。