ابتكار ثوري في نماذج الانتشار: التحكم بالوقت والتعلم من خلال سياسة الممثل-الناقد

في خطوة غير مسبوقة ضمن مجال الذكاء الاصطناعي، قام فريق من الباحثين بدراسة تخصيص الوقت لعينة الانتشار المعتمدة على تقدير الدرجات (score-based diffusion sampling). حيث أن الطرق التقليدية، مثل الجداول الثابتة واليدوية، غالباً ما تتجاهل الديناميات المعقدة للعينة، مما يؤدي إلى نتائج دون المستوى المطلوب.

لهذا السبب، تم اقتراح نموذج Adaptive Reparameterized Time (ART)، الذي يمثل صيغة تحكم مستمرة تعيد صياغة تخصيص الوقت من خلال التعامل مع سرعة ساعة العينة كعوامل تحكم، مما يتيح الحصول على أوقات مختلفة أثناء عملية الانتشار.

واحدة من أبرز سمات هذا النظام الجديد هي كيفية استغلاله لعوامل التعلم من خلال التعزيز. حيث تم تطوير نموذج ART-RL، وهو صيغة عشوائية للمتغيرات تستخدم سياسات غاوسيّة، لتحويل عملية تعلم الجدول الزمني إلى مشكلة تعلم تعزيز مستمرة.

قد أثبتت التجارب التي أجريت في بيئات متنوعة، بدءاً من الإعدادات الخاصة بالأبعاد المنخفضة وصولاً إلى توليد الصور، أن دمج نموذج ART-RL سيمكن المستخدمين من الاعتماد على خطوط زمنية مختلفة دون الحاجة إلى تعديل الأنظمة الأخرى.

يظهر النظام عملاً رائعاً في تحسين جودة العيّنات مقارنة بالجداول الزمنية التقليدية، كما أنه يحتفظ بالقدرة على نقل التعلم بين الميزانيات المختلفة، والأدوات البيانية، وبيانات المجموعة دون إعادة تدريب، مما يبشر بمستقبل مشرق في هذا المجال.