تشهد نماذج الانتشار (Diffusion Models) نجاحًا لافتًا في مجالات متعددة، حيث ترتبط أدائها ارتباطًا وثيقًا بالأسس الداعمة التي تحدد وظيفة إزالة الضوضاء. في دراسة حديثة، كشف الباحثون عن نموذج جديد يُعرف باسم DUNE (Diffusion Unified Network refiNEr)، الذي يمثل إطار عمل لتحسين نماذج الانتشار دون الحاجة إلى التدريب.

تستند فكرة DUNE إلى تحليل منهجي ومتفهم لمكونات نماذج الانتشار، حيث أظهرت النتائج أن التذبذبات المفاجئة في المرحلة المبكرة تُعزى إلى حدوث أخطاء في البيانات. هذا الابتكار يسمح بكشف هذه الشذوذات باستخدام معيار يعتمد على متوسط متحرك مشترك (EMA) وتطبيق تقنيات تُخفت التأثيرات السلبية على البيانات المختارة.

على الرغم من أن DUNE تم تطويره بناءً على نموذج يو-نت (U-Net)، إلا أن نفس مبدأ الكشف والتخفيف يمتد بشكل طبيعي لاستخدامه مع نماذج الانتشار المعتمدة على البنية التحويلية (Transformer) من خلال التركيز على البيانات الداخلية خلال الكتل الذاتية الانتباه (Self-Attention Blocks).

أثبتت التجارب المكثفة، التي أُجريت على نماذج متعددة، أن DUNE يُحسن دقة النماذج ويقلل من الظواهر الغير واقعية (Hallucinations)، مما يوفر رؤى جديدة حول التحكم في الأسس الداعمة لنماذج الانتشار. بعد هذا الابتكار، كيف تظنون أن مستقبل نماذج الذكاء الاصطناعي سيتطور؟ شاركونا آرائكم في التعليقات.