Just Leaf It：用层级类别剪枝加速扩散分类器
核心概要
该工作提出层级扩散分类器（HDC），利用数据集标签的父子层级结构，在剪枝阶段逐层用较少的蒙特卡洛采样估计ε-预测误差并只保留误差最低的若干节点，再对保留下来的叶节点执行经典扩散分类，从而在ImageNet-1K上以Stable Diffusion 2.0实现约60%的推理加速（1600秒降至650秒）或在几乎不增加时间的情况下把逐类准确率从64.90%提升到65.16%。
深度剖析
提出免训练的层级扩散分类器（HDC），把扩散分类从“评估全部类别”改为“沿标签树逐层剪枝后再分类”。 已有扩散分类器（如Li等、Clark等）对每张图评估所有类别，推理时间随类别数线性增长；HDC改为在剪枝阶段用较少的蒙特卡洛样本估计各synset的ε-预测误差，按剪枝比例Kd做top-k保留，只在剩余叶节点上运行经典扩散分类。 论文给出算法1的完整流程与式(7)(8)(9)的形式化定义，并在ImageNet-1K（7层树，从第3层开始遍历）与CIFAR-100（自建树）上做了实验。
在ImageNet-1K上，固定剪枝策略（Strategy 1，Kd=0.5）在提速约38.75%的同时把逐类准确率从64.90%提升到65.16%。 相对基线扩散分类器1600秒、64.90%的结果，HDC Strategy 1用980秒达到65.16%，即在不牺牲精度的情况下减少近40%推理时间，并报告为扩散分类器的新最优精度。 表5给出逐类平均准确率与时间对比，表1给出Top-1/Top-3/Top-5与时间；使用Stable Diffusion 2.0，512×512分辨率，l2范数计算ε-预测，时间步均匀采样自[1,1000]。
动态剪枝策略（Strategy 2，保留最小误差两个标准差内的节点）把推理时间进一步降到650秒，约60%加速，准确率降至63.33%。 与固定剪枝相比，动态剪枝按误差分布自适应选择候选，提供更偏速度的取舍点，说明HDC可在速度与精度之间连续调节。 表1与表5报告650秒、59.38%加速、Top-1为63.20%（表1）与逐类63.33%（表5）；CIFAR-100上Strategy 2（Kd=0.4）报告+3.3个百分点准确率与约34%加速。
HDC的剪枝比例、扩散模型版本与提示模板都会影响速度—精度取舍，且默认提示“A photo of a”表现最好。 论文比较了SD 1.4/2.0/2.1与多种提示模板，显示SD 2.0在Strategy 1下取得最高Top-1（64.14%，时间980秒），而“A bad photo of a”“A low-resolution photo of a”等模板带来准确率下降。 表2给出三个SD版本在两种策略下的逐类/整体Top-1与时间；表4给出四种提示模板在两种策略下的Top-1/Top-3/Top-5。
启示与展望
该结果适用于具有明确层级标签结构的数据集（如基于WordNet的ImageNet-1K，论文使用7层树并从第3层开始遍历），也适用于可自建层级的CIFAR-100；方法免训练，可直接叠加在已有条件扩散模型（论文验证SD 1.4/2.0/2.1）之上，并支持在不重新训练的情况下增删类别标签。对希望在大规模分类中控制推理成本、或需要按场景在速度与精度间调节的读者，HDC提供了一条可操作的路径。
论文指出效率收益依赖标签树的深度与平衡性，浅层级或弱父子关系的数据集收益可能有限；层级可由LLM自底向上构建或用贪心扩展细化，但论文未给出这些替代构建方式的完整评测。此外，不同类别推理时间差异明显（如“snail”221秒对“keyboard space bar”1400秒），提示模板与SD版本也会改变取舍，读者在迁移到自有数据时仍需自行验证剪枝比例与层级质量的影响。