في عالم الذكاء الاصطناعي، تعتبر نماذج الانسياب (Diffusion Models) واحدة من أبرز الابتكارات التي تثير اهتمام الباحثين والمطورين على حد سواء. لكن توجيه هذه النماذج نحو ظروف لم تُشاهد أثناء التدريب يمثل تحديًا كبيرًا يتطلب عادةً إعادة تدريب مع مدخلات شرطية أو حسابات تدرج معقدة، مما يتسبب في تحميل عبء حسابي ثقيل.

لحل هذه المشكلة، تم تقديم تقنية جديدة تعرف باسم توجيه RFM المتناسق مع الضوضاء (Noise-Aligned RFM Steering - NA-RFM). هذه التقنية لا تتطلب توجيهًا عبر التدرج أثناء عملية الاستنتاج، مما يسمح بإنتاج سريع وقابل للتحكم في النماذج.

تعتمد هذه الطريقة على مزيج من إشارات محسوبة مسبقًا: تصحيح الضوضاء، وهو تصحيح عالي الضوضاء يستند إلى إحصائيات تحليل المكونات الرئيسية (PCA) للأمثلة المستهدفة والبيانات الكاملة، وتوجيه تنشيط آلة الخصائص التكرارية (Recursive Feature Machine - RFM) الذي يتعلم اتجاهات تمييزية مستهدفة من مجموعة مدروسة من التنشيطات. خلال عملية العينة، يوفر تصحيح الضوضاء تحكمًا خشنًا عند مستويات ضوضاء مرتفعة، بينما يُعاد استخدام اتجاه RFM عبر خطوات زمنية متوسطة ومتأخرة من خلال تعديلات تنشيط خفيفة الوزن.

أظهرت التجارب على مجموعات بيانات مثل CIFAR-10 وImageNet وCelebA وسلالات الطيور المتنوعة تحسينًا في دقة الأهداف مقارنة بالأساليب التقليدية المعتمدة على التدرجات، بالإضافة إلى تحسين مؤشر FID على معايير توجيه الفئة. كما قدمت الطريقة تسريعًا ملحوظًا في عملية الاستنتاج، مما يجعلها خطوة هامة نحو جعل نماذج الانسياب أكثر كفاءة.

للمزيد من التفاصيل، يمكنك زيارة صفحتهم على GitHub: رابط GitHub. ما رأيكم في هذه التقنية الجديدة؟ شاركونا في التعليقات!