محققان در مطالعهای جدید نشان دادهاند که «دقت امتیاز» (Score Accuracy) بهتنهایی تضمینکننده پایداری عددی در فرآیند سمپلینگ مدلهای انتشار نیست. این تحقیق ثابت میکند که حتی با داشتن خطای ناچیز در یادگیری امتیاز، همچنان ممکن است در زمان نمونهبرداری با واگرایی عددی مواجه شویم.
این مقاله نشان میدهد که چرا روشهای فعلی میتوانند در شرایط خاص دچار خطا شوند و راهحلهایی مثل «پروجکشن» (Projection) برای حفظ پایداری و بهبود دقت پیشنهاد میدهد. اگر روی مدلهای مولد (Generative Models) کار میکنید، بررسی این مقاله برای درک بهتر رفتارهای عددی در دیفیوژنها توصیه میشود. 🧠
منبع: arXiv Machine Learning