Skip to content
Other

vdc-denoiser-m128-v2

нейросеть для оценки парных копул и плотностей

2 min readupdated

Модель решает задачу быстрой оценки двумерных парных копул (математических функций, описывающих зависимость между случайными величинами) и многомерных плотностей распределения на сетке 128 × 128. Чекпоинт основан на архитектуре VDC U-Net (~133 млн параметров, веса в float32) от автора hsafaai и выпущен как исследовательское переобучение к статье для конференции NeurIPS 2026. В отличие от базовой модели из основной части работы (vdc-denoiser-m64-v1), здесь используется линейная сетка повышенного разрешения и дополнительный этап дообучения по правдоподобию, что заметно снижает ошибку на двумерных тестах. Инструмент пригодится исследователям и специалистам по количественному анализу данных, которым нужно моделировать сложные многомерные зависимости без перебора параметрических семейств.

Ключевые особенности

  • Сетка 128 × 128: сеть принимает гистограмму псевдонаблюдений на равномерных ячейках, логарифм размера выборки и probit-координаты центров ячеек, выдавая узловые значения билинейной плотности.
  • Точная проекция маргиналов: каждая парная копула перепроецируется в float64 (алгоритм IPFP с доводкой Ньютона), благодаря чему PDF, условные CDF и обратные к ним функции вычисляются точно для полученной плотности.
  • Снижение расхождения Кульбака — Лейблера: на двумерных тестах из Таблицы 1 статьи среднее значение KL-дивергенции составило 0.00311 натов против 0.00611 у исходной модели (ниже на 49.1%).
  • Полный пайплайн в репозитории: помимо весов vdc-denoiser-m128-v2.pt опубликованы скрипты обучения и манифест с зафиксированными настройками инференса.

Что можно сделать

  • Оценивать плотность распределения и условные функции для парных выборок в научных расчётах через библиотеку vine-denoising-copula.
  • Строить многомерные D-vine модели (каскадные копулы) для табличных датасетов вроде POWER, GAS, HEPMASS и MINIBOONE, а также для финансовых временных рядов (в статье проверялось на S&P100).
  • Воспроизводить или модифицировать обучение на линейной сетке с помощью приложенных рецептов в папке training/ и сравнивать с компаньоном vdc-denoiser-m64-v2.

Пример

from vdc import VineCopulaModel, estimate_pair_copula_from_samples, load_pretrained_model

bundle = load_pretrained_model("vdc-denoiser-m128-v2", device="cuda")
copula = estimate_pair_copula_from_samples(bundle, uv)
copula.pdf(u, v)

vine = VineCopulaModel.from_pretrained(bundle, vine_type="dvine")
vine.fit(U_train, diffusion_model=bundle.model, verbose=False)
vine.logpdf(U_test)
ПодробнееБенчмарки (GPU H100): на UCI-датасетах (50k строк) NLL составляет -0.1924 bits/dim на POWER, -1.6800 на GAS и -0.2936 на HEPMASS; на хронологическом сплите S&P100 — -0.41876 bits/dim (время обучения 81.0 с).
Обучение: 60 000 шагов базового прогона со случайных весов плюс 8 000 шагов дообучения по правдоподобию; для запуска требуется vine-denoising-copula >= 0.3.0.
Ограничения: модель исследовательская (один сид), требует непрерывных маргинальных распределений и упрощающего предположения, а побитовая воспроизводимость гарантирована только на связке PyTorch 2.9.1 / NumPy 2.2.6 / SciPy 1.15.3 / pyvinecopulib 0.7.5.
Discuss Telegram 0

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.5 GB · ready files1.0 GB
  • FP8 / INT8recommendedweights 0.2 GB0.8 GB
  • 4-bitweights 0.1 GB0.7 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # hsafaai/vdc-denoiser-m128-v2
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download hsafaai/vdc-denoiser-m128-v2 --local-dir ~/models/vdc-denoiser-m128-v2
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to vdc-denoiser-m128-v2
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of vdc-denoiser-m128-v2 (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

hsafaai/vdc-denoiser-m128-v2
Author
hsafaai
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments