查看PDF摘要：决策树和扩散模型看似是截然不同的模型类别，一个是离散和层次化的，另一个是连续和动态的。本文通过在适当的限制条件下在层次决策树和扩散过程之间建立明确的数学对应关系，从而统一了这两者。我们的统一揭示了一个共享的优化原则： extit{全局轨迹得分匹配（GTSM）}，对于这一原则，梯度提升（在理想化版本中）是渐近最优的。我们通过两个关键的实际实例强调了我们工作的概念价值： reeflow， 在表格数据上实现了更高保真的竞争生成质量，并且计算速度提升了2倍，以及 extit{dsmtree}，一种新颖的提炼方法，将层次决策逻辑转移到神经网络中，在许多基准测试中达到教师性能的2%左右的匹配。评论：12页（主体），68页（包括附录），已在第43届国际机器学习会议（ICML）2026年接受。主题：机器学习（cs.LG）；统计力学（cond-mat.stat-mech）；人工智能（cs.AI）引用为：arXiv:2605.00414 [cs.LG]（或arXiv:2605.00414v2 [cs.LG] 为此版本）https://doi.org/10.48550/arXiv.2605.00414 arXiv颁发的DOI通过DataCite提交历史来自：Sai Niranjan Ramachandran [查看邮箱] [v1] 2026年5月1日星期五 05:19:54 UTC（8,277 KB）[v2] 2026年5月21日星期四 04:49:57 UTC（8,277 KB）