في عالم النماذج المعتمدة على التدفق (Flow-based models)، تعتبر القدرة على تعلم توزيع معين عن طريق نمذجة حقل السرعة الهامشي أمراً جوهرياً. لكن ماذا يحدث عندما تتعارض السرعات العينية في نفس الحالة الوسيطة؟ هنا، قد يؤدي المتوسط إلى توجيه العينات نحو المناطق ذات الكثافة المنخفضة، مما يؤثر سلباً على جودة النتائج.

في محاولة لمعالجة هذه المشكلة، تم تقديم تقنية جديدة تُعرف باسم مروّج تباين التدفق (Flow Divergence Sampler - FDS). هذه الإطار القائم على عدم الحاجة إلى تدريب إضافي، يهدف إلى تحسين أوضاع العينات المتوسطة قبل كل خطوة من خطوات الحل.

إن اكتشافنا الرئيسي يكشف أن شدة هذا التوجيه غير الصحيح يمكن قياسها من خلال تباين حقل السرعة الهامشي، والذي يمكن حسابه بسهولة أثناء الاستدلال باستخدام نموذج مُحسّن. يستفيد FDS من هذه الإشارة لتوجيه الحالات نحو مناطق أقل غموضاً.

كونه نظاماً قابلاً للتوصيل ضمن حلول معيارية، يحقق FDS تحسينات ملحوظة عبر مجموعة من مهام التوليد، بما في ذلك توليد النصوص إلى الصور، وحل المشكلات المعكوسة.

هل تتطلع إلى مستقبل تحسين نماذج التدفق؟ تابِعوا مستجداتنا واشتركوا معنا في التعليقات!