محققان در مطالعه جدیدی به بررسی چرایی قدرت خارقالعاده مدلهای انتشار در تولید دادههای جدید و خلاقانه پرداختهاند. فرضیه اصلی این است که مدلها با «صافسازی» (Smoothing) توابع امتیاز، یاد میگیرند که نقاط دادهای جدید را دقیقاً در فضای بین دادههای آموزشی جایگذاری (Interpolate) کنند.
این تحقیق نشان میدهد که چگونه حتی در دادههای غیرخطی پیچیده، این فرآیند ریاضی به مدلها کمک میکند تا خروجیهای منسجم و جدید تولید کنند. درک این مکانیسم، گامی مهم برای ساخت مدلهای مولد دقیقتر و قابلفهمتر در آینده است. 📈
های_انتشار
منبع: arXiv Machine Learning