محققان در مطالعه جدیدی به بررسی یکی از چالشهای بنیادین در مدلهای تولیدی (Generative Models) پرداختهاند: آیا دقت بالا در تخمینِ «امتیاز» (Score Approximation) به معنای رسیدن به توزیع دقیق دادههای اصلی است؟
این مقاله برای اولین بار یک ارتباط صریح و ریاضیاتی بین خطای تخمینِ مدلهای نفوذی و همگرایی توزیع خروجی مدل با توزیع واقعی دادهها (طبق معیار KL divergence) ارائه میدهد. این دستاورد میتواند سنگبنای جدیدی برای درک دقیقتر عملکرد مدلهای diffusion در تولید تصاویر و محتوا باشد. 🧠✨
منبع: arXiv Machine Learning